library(readxl)
Project_data <- read_excel("Project_data.xlsx",
col_names = FALSE)
#View(Project_data)
#PCA
pca=prcomp(Project_data,scale = T)
pca$sdev
## [1] 1.2706247 1.1241929 1.1163074 1.0911532 1.0809568 1.0676043 1.0581909
## [8] 1.0496262 1.0250884 1.0098225 1.0043088 1.0004415 0.9959623 0.9859729
## [15] 0.9721307 0.9629673 0.9529222 0.9398268 0.9289453 0.9262012 0.9147261
## [22] 0.8854170 0.8790350 0.8690745 0.7602094
biplot(pca, scale=0)

pr.var=pca$sdev^2
pr.var
## [1] 1.6144871 1.2638097 1.2461421 1.1906154 1.1684676 1.1397789 1.1197679
## [8] 1.1017152 1.0508063 1.0197415 1.0086361 1.0008831 0.9919409 0.9721425
## [15] 0.9450380 0.9273059 0.9080608 0.8832745 0.8629393 0.8578487 0.8367238
## [22] 0.7839633 0.7727026 0.7552906 0.5779184
pve=pr.var/sum(pr.var)
pve
## [1] 0.06457948 0.05055239 0.04984568 0.04762461 0.04673870 0.04559116
## [7] 0.04479072 0.04406861 0.04203225 0.04078966 0.04034544 0.04003532
## [13] 0.03967763 0.03888570 0.03780152 0.03709224 0.03632243 0.03533098
## [19] 0.03451757 0.03431395 0.03346895 0.03135853 0.03090810 0.03021162
## [25] 0.02311673
plot(pca$sdev, xlab="Principal Component", ylab="Proportion of Variance Explained", ylim=c(0,2),type='b')

plot(cumsum(pve), xlab="Principal Component", ylab="Cumulative Proportion of Variance Explained", ylim=c(0,1),type='b')

#T2 Chart
library(qcc)
## Package 'qcc' version 2.7
## Type 'citation("qcc")' for citing this R package in publications.
indices=c(1:1000)
data=cbind(indices,Project_data)
lim=limits.T2(ngroups=1000,size=1,nvars=25,conf=0.9973)
## Warning in qf(conf, p, m * n - m - p + 1): NaNs produced
## Warning in qf(conf, p, m * n - m - p + 1): NaNs produced
CHART=mqcc(data[,-1], type = c("T2"),
pred.limits = FALSE,confidence.level = .9973,
limits=TRUE, rules = shewhart.rules,
plot = TRUE)

violation=CHART$violations$beyond.limits
new=data[-violation,]
CHART1=mqcc(new[,-1], type = c("T2"), center=NULL, cov=NULL,
limits = TRUE, pred.limits = FALSE,
confidence.level = .9973, rules = shewhart.rules,
plot = TRUE)

violation1=CHART1$violations$beyond.limits
new1=new[-violation1,]
CHART2=mqcc(new1[,-1], type = c("T2"), center=NULL, cov=NULL,
limits = TRUE, pred.limits = FALSE,
confidence.level = .9973, rules = shewhart.rules,
plot = TRUE)

CHART2$center
## X__1 X__2 X__3 X__4 X__5
## -0.006295196 0.018433697 -0.041747459 -0.096047712 -0.039822558
## X__6 X__7 X__8 X__9 X__10
## 0.202684805 0.394032719 0.009722109 -0.018130408 0.012051320
## X__11 X__12 X__13 X__14 X__15
## -0.043382042 -0.015808032 -0.011056646 0.013070983 0.023711541
## X__16 X__17 X__18 X__19 X__20
## -0.018168694 -0.008417846 -0.013173940 0.025662505 0.007566129
## X__21 X__22 X__23 X__24 X__25
## -0.398066317 0.066318856 0.002529854 -0.016192226 -0.008873372
#Mcusum CHart
library(MSQC)
cus=mult.chart(type = "mcusum", x=new1[,-1], alpha = 0.0027, k = 2, h = 19.97, phase = 1, method = "sw")

summary(cus)
## Length Class Mode
## 1 -none- character
## ucl 1 -none- numeric
## t2 992 -none- numeric
## Xmv 25 -none- numeric
## covariance 625 -none- numeric
cus$t2
## [,1]
## [1,] 3.05
## [2,] 4.22
## [3,] 4.04
## [4,] 3.93
## [5,] 3.15
## [6,] 3.40
## [7,] 4.17
## [8,] 5.68
## [9,] 6.70
## [10,] 6.48
## [11,] 5.17
## [12,] 4.99
## [13,] 3.96
## [14,] 3.16
## [15,] 4.32
## [16,] 3.22
## [17,] 2.96
## [18,] 3.91
## [19,] 5.78
## [20,] 4.77
## [21,] 4.70
## [22,] 6.09
## [23,] 5.02
## [24,] 4.87
## [25,] 4.88
## [26,] 8.04
## [27,] 7.49
## [28,] 7.13
## [29,] 5.63
## [30,] 5.78
## [31,] 6.61
## [32,] 5.44
## [33,] 6.22
## [34,] 6.90
## [35,] 6.91
## [36,] 6.06
## [37,] 6.44
## [38,] 6.00
## [39,] 6.79
## [40,] 6.33
## [41,] 6.67
## [42,] 6.59
## [43,] 6.71
## [44,] 6.64
## [45,] 6.41
## [46,] 4.80
## [47,] 5.59
## [48,] 6.73
## [49,] 5.31
## [50,] 4.65
## [51,] 4.53
## [52,] 4.32
## [53,] 5.76
## [54,] 5.42
## [55,] 5.05
## [56,] 6.00
## [57,] 7.95
## [58,] 8.71
## [59,] 7.53
## [60,] 7.29
## [61,] 6.81
## [62,] 6.29
## [63,] 6.51
## [64,] 5.96
## [65,] 6.04
## [66,] 4.98
## [67,] 4.95
## [68,] 5.80
## [69,] 4.27
## [70,] 2.56
## [71,] 3.10
## [72,] 4.76
## [73,] 6.59
## [74,] 7.15
## [75,] 5.54
## [76,] 3.38
## [77,] 4.44
## [78,] 4.55
## [79,] 6.04
## [80,] 5.44
## [81,] 4.05
## [82,] 4.85
## [83,] 4.43
## [84,] 5.31
## [85,] 5.82
## [86,] 5.68
## [87,] 5.99
## [88,] 5.95
## [89,] 4.79
## [90,] 4.83
## [91,] 3.35
## [92,] 3.43
## [93,] 3.48
## [94,] 4.78
## [95,] 4.01
## [96,] 5.06
## [97,] 4.45
## [98,] 3.82
## [99,] 4.31
## [100,] 4.69
## [101,] 4.95
## [102,] 6.02
## [103,] 5.72
## [104,] 6.40
## [105,] 6.42
## [106,] 5.71
## [107,] 4.10
## [108,] 5.36
## [109,] 6.12
## [110,] 5.99
## [111,] 4.92
## [112,] 5.35
## [113,] 5.28
## [114,] 5.44
## [115,] 5.59
## [116,] 5.40
## [117,] 4.46
## [118,] 5.50
## [119,] 4.47
## [120,] 4.09
## [121,] 4.40
## [122,] 5.21
## [123,] 4.50
## [124,] 3.96
## [125,] 5.38
## [126,] 4.36
## [127,] 2.99
## [128,] 3.51
## [129,] 4.48
## [130,] 5.23
## [131,] 5.18
## [132,] 4.63
## [133,] 4.75
## [134,] 6.90
## [135,] 7.70
## [136,] 7.54
## [137,] 8.05
## [138,] 8.74
## [139,] 7.62
## [140,] 7.70
## [141,] 7.29
## [142,] 5.76
## [143,] 6.04
## [144,] 6.10
## [145,] 5.89
## [146,] 4.63
## [147,] 6.66
## [148,] 6.50
## [149,] 5.59
## [150,] 4.69
## [151,] 4.37
## [152,] 5.06
## [153,] 5.28
## [154,] 6.11
## [155,] 6.95
## [156,] 7.12
## [157,] 7.11
## [158,] 7.12
## [159,] 7.00
## [160,] 8.26
## [161,] 7.78
## [162,] 8.64
## [163,] 7.67
## [164,] 8.42
## [165,] 7.19
## [166,] 7.50
## [167,] 8.51
## [168,] 8.69
## [169,] 8.94
## [170,] 10.01
## [171,] 9.70
## [172,] 9.07
## [173,] 9.51
## [174,] 10.94
## [175,] 11.25
## [176,] 12.34
## [177,] 11.60
## [178,] 12.94
## [179,] 12.92
## [180,] 12.56
## [181,] 13.07
## [182,] 12.68
## [183,] 13.31
## [184,] 13.52
## [185,] 14.09
## [186,] 13.55
## [187,] 13.14
## [188,] 14.17
## [189,] 13.38
## [190,] 13.78
## [191,] 14.44
## [192,] 14.80
## [193,] 15.90
## [194,] 16.25
## [195,] 15.43
## [196,] 15.86
## [197,] 15.81
## [198,] 15.63
## [199,] 16.09
## [200,] 15.82
## [201,] 16.08
## [202,] 15.93
## [203,] 16.28
## [204,] 15.90
## [205,] 16.27
## [206,] 15.31
## [207,] 14.54
## [208,] 15.10
## [209,] 14.81
## [210,] 15.44
## [211,] 16.34
## [212,] 15.53
## [213,] 15.48
## [214,] 16.17
## [215,] 15.83
## [216,] 15.95
## [217,] 17.06
## [218,] 16.53
## [219,] 17.71
## [220,] 16.92
## [221,] 15.41
## [222,] 13.74
## [223,] 13.31
## [224,] 13.34
## [225,] 13.12
## [226,] 12.71
## [227,] 11.94
## [228,] 10.59
## [229,] 10.65
## [230,] 11.00
## [231,] 12.37
## [232,] 12.28
## [233,] 13.05
## [234,] 12.80
## [235,] 11.92
## [236,] 11.78
## [237,] 11.66
## [238,] 11.70
## [239,] 11.93
## [240,] 11.63
## [241,] 11.65
## [242,] 12.65
## [243,] 12.44
## [244,] 13.31
## [245,] 12.82
## [246,] 14.10
## [247,] 13.40
## [248,] 14.30
## [249,] 12.43
## [250,] 13.42
## [251,] 13.45
## [252,] 13.43
## [253,] 13.93
## [254,] 14.24
## [255,] 14.54
## [256,] 15.62
## [257,] 15.20
## [258,] 15.01
## [259,] 14.81
## [260,] 15.69
## [261,] 15.87
## [262,] 15.94
## [263,] 15.83
## [264,] 14.60
## [265,] 14.86
## [266,] 13.11
## [267,] 12.54
## [268,] 12.61
## [269,] 13.54
## [270,] 12.90
## [271,] 12.24
## [272,] 11.23
## [273,] 10.70
## [274,] 9.83
## [275,] 10.00
## [276,] 9.01
## [277,] 8.80
## [278,] 8.66
## [279,] 8.89
## [280,] 8.26
## [281,] 8.92
## [282,] 10.35
## [283,] 9.82
## [284,] 8.16
## [285,] 8.69
## [286,] 8.31
## [287,] 9.48
## [288,] 8.37
## [289,] 8.91
## [290,] 7.74
## [291,] 8.06
## [292,] 8.31
## [293,] 8.87
## [294,] 9.35
## [295,] 9.75
## [296,] 9.83
## [297,] 9.89
## [298,] 9.85
## [299,] 10.39
## [300,] 13.07
## [301,] 13.30
## [302,] 12.78
## [303,] 13.57
## [304,] 13.93
## [305,] 13.78
## [306,] 13.64
## [307,] 14.58
## [308,] 15.27
## [309,] 15.56
## [310,] 14.56
## [311,] 15.65
## [312,] 15.65
## [313,] 15.26
## [314,] 14.50
## [315,] 13.91
## [316,] 13.89
## [317,] 14.02
## [318,] 14.13
## [319,] 15.67
## [320,] 14.50
## [321,] 14.63
## [322,] 14.61
## [323,] 13.69
## [324,] 13.98
## [325,] 13.69
## [326,] 13.84
## [327,] 13.37
## [328,] 15.25
## [329,] 15.70
## [330,] 15.71
## [331,] 15.71
## [332,] 16.10
## [333,] 16.09
## [334,] 17.48
## [335,] 17.65
## [336,] 16.93
## [337,] 17.00
## [338,] 16.65
## [339,] 17.73
## [340,] 17.17
## [341,] 18.90
## [342,] 17.01
## [343,] 17.35
## [344,] 16.82
## [345,] 16.17
## [346,] 16.76
## [347,] 17.37
## [348,] 16.41
## [349,] 16.09
## [350,] 14.75
## [351,] 12.82
## [352,] 9.53
## [353,] 8.14
## [354,] 7.09
## [355,] 6.21
## [356,] 3.83
## [357,] 2.94
## [358,] 4.46
## [359,] 3.65
## [360,] 3.85
## [361,] 3.92
## [362,] 4.06
## [363,] 3.19
## [364,] 5.24
## [365,] 5.26
## [366,] 4.94
## [367,] 5.84
## [368,] 4.49
## [369,] 3.25
## [370,] 5.87
## [371,] 6.07
## [372,] 4.38
## [373,] 4.22
## [374,] 3.25
## [375,] 5.90
## [376,] 5.13
## [377,] 4.89
## [378,] 4.23
## [379,] 4.22
## [380,] 4.03
## [381,] 4.84
## [382,] 6.02
## [383,] 5.75
## [384,] 6.83
## [385,] 6.34
## [386,] 6.36
## [387,] 6.29
## [388,] 6.52
## [389,] 5.68
## [390,] 6.57
## [391,] 5.72
## [392,] 4.37
## [393,] 5.76
## [394,] 6.94
## [395,] 5.54
## [396,] 6.97
## [397,] 5.91
## [398,] 5.03
## [399,] 3.84
## [400,] 5.37
## [401,] 4.85
## [402,] 4.53
## [403,] 5.62
## [404,] 5.69
## [405,] 5.22
## [406,] 5.42
## [407,] 6.35
## [408,] 6.03
## [409,] 6.47
## [410,] 5.22
## [411,] 5.98
## [412,] 6.23
## [413,] 5.19
## [414,] 5.37
## [415,] 5.44
## [416,] 4.75
## [417,] 4.89
## [418,] 3.41
## [419,] 4.72
## [420,] 2.99
## [421,] 4.50
## [422,] 3.13
## [423,] 4.61
## [424,] 5.11
## [425,] 5.52
## [426,] 5.49
## [427,] 5.32
## [428,] 4.92
## [429,] 5.33
## [430,] 4.15
## [431,] 2.78
## [432,] 3.73
## [433,] 2.86
## [434,] 4.34
## [435,] 4.91
## [436,] 4.93
## [437,] 3.94
## [438,] 3.43
## [439,] 4.45
## [440,] 4.04
## [441,] 4.99
## [442,] 4.22
## [443,] 3.96
## [444,] 4.13
## [445,] 4.06
## [446,] 5.28
## [447,] 5.68
## [448,] 4.98
## [449,] 6.60
## [450,] 8.12
## [451,] 8.34
## [452,] 7.48
## [453,] 5.62
## [454,] 5.26
## [455,] 4.84
## [456,] 5.33
## [457,] 4.90
## [458,] 4.67
## [459,] 5.63
## [460,] 6.51
## [461,] 6.38
## [462,] 5.05
## [463,] 4.96
## [464,] 5.33
## [465,] 3.76
## [466,] 3.98
## [467,] 2.89
## [468,] 3.47
## [469,] 3.29
## [470,] 2.52
## [471,] 3.38
## [472,] 4.16
## [473,] 3.91
## [474,] 5.04
## [475,] 4.46
## [476,] 4.34
## [477,] 3.71
## [478,] 5.59
## [479,] 4.65
## [480,] 3.23
## [481,] 3.71
## [482,] 3.79
## [483,] 4.98
## [484,] 4.43
## [485,] 4.92
## [486,] 4.31
## [487,] 4.10
## [488,] 4.05
## [489,] 4.91
## [490,] 4.72
## [491,] 2.71
## [492,] 3.60
## [493,] 4.46
## [494,] 5.17
## [495,] 4.81
## [496,] 4.44
## [497,] 4.13
## [498,] 5.22
## [499,] 4.96
## [500,] 5.80
## [501,] 5.95
## [502,] 5.88
## [503,] 4.61
## [504,] 3.85
## [505,] 4.45
## [506,] 6.36
## [507,] 5.96
## [508,] 7.23
## [509,] 5.41
## [510,] 5.26
## [511,] 7.12
## [512,] 6.74
## [513,] 5.45
## [514,] 4.89
## [515,] 6.69
## [516,] 4.88
## [517,] 5.55
## [518,] 4.82
## [519,] 5.30
## [520,] 5.21
## [521,] 5.17
## [522,] 4.49
## [523,] 4.85
## [524,] 5.21
## [525,] 5.37
## [526,] 5.90
## [527,] 4.67
## [528,] 4.25
## [529,] 4.36
## [530,] 3.84
## [531,] 4.90
## [532,] 5.21
## [533,] 4.72
## [534,] 4.58
## [535,] 4.15
## [536,] 3.94
## [537,] 4.92
## [538,] 5.55
## [539,] 5.65
## [540,] 6.64
## [541,] 5.32
## [542,] 3.55
## [543,] 3.83
## [544,] 3.99
## [545,] 5.62
## [546,] 5.61
## [547,] 4.37
## [548,] 4.60
## [549,] 5.13
## [550,] 4.60
## [551,] 4.51
## [552,] 5.23
## [553,] 5.79
## [554,] 5.54
## [555,] 5.03
## [556,] 5.64
## [557,] 6.86
## [558,] 7.01
## [559,] 7.58
## [560,] 5.72
## [561,] 5.59
## [562,] 5.92
## [563,] 7.05
## [564,] 6.01
## [565,] 6.39
## [566,] 5.69
## [567,] 5.90
## [568,] 5.62
## [569,] 5.32
## [570,] 5.51
## [571,] 6.17
## [572,] 6.62
## [573,] 5.94
## [574,] 5.49
## [575,] 5.12
## [576,] 6.38
## [577,] 6.23
## [578,] 6.99
## [579,] 5.55
## [580,] 4.82
## [581,] 3.43
## [582,] 4.27
## [583,] 3.03
## [584,] 3.70
## [585,] 4.72
## [586,] 5.21
## [587,] 4.25
## [588,] 3.61
## [589,] 4.32
## [590,] 3.10
## [591,] 3.84
## [592,] 5.04
## [593,] 5.82
## [594,] 4.15
## [595,] 4.30
## [596,] 5.48
## [597,] 6.68
## [598,] 6.87
## [599,] 6.03
## [600,] 5.98
## [601,] 6.62
## [602,] 5.77
## [603,] 6.80
## [604,] 7.30
## [605,] 7.78
## [606,] 7.26
## [607,] 7.41
## [608,] 7.99
## [609,] 7.14
## [610,] 6.98
## [611,] 6.01
## [612,] 5.22
## [613,] 5.67
## [614,] 6.10
## [615,] 6.07
## [616,] 6.07
## [617,] 6.48
## [618,] 6.13
## [619,] 5.42
## [620,] 5.26
## [621,] 5.28
## [622,] 5.67
## [623,] 6.22
## [624,] 6.56
## [625,] 5.22
## [626,] 5.20
## [627,] 3.69
## [628,] 4.07
## [629,] 4.88
## [630,] 5.53
## [631,] 4.52
## [632,] 6.39
## [633,] 4.91
## [634,] 4.96
## [635,] 3.87
## [636,] 4.61
## [637,] 6.10
## [638,] 6.81
## [639,] 5.90
## [640,] 4.30
## [641,] 4.12
## [642,] 4.50
## [643,] 4.70
## [644,] 4.49
## [645,] 4.69
## [646,] 4.82
## [647,] 5.92
## [648,] 6.43
## [649,] 6.19
## [650,] 6.34
## [651,] 6.85
## [652,] 7.07
## [653,] 8.24
## [654,] 5.96
## [655,] 6.38
## [656,] 5.48
## [657,] 4.92
## [658,] 4.27
## [659,] 4.40
## [660,] 4.82
## [661,] 4.30
## [662,] 3.43
## [663,] 4.89
## [664,] 5.14
## [665,] 4.47
## [666,] 5.79
## [667,] 5.15
## [668,] 5.50
## [669,] 5.55
## [670,] 5.58
## [671,] 4.39
## [672,] 5.83
## [673,] 5.41
## [674,] 5.60
## [675,] 6.51
## [676,] 5.18
## [677,] 5.84
## [678,] 4.39
## [679,] 5.36
## [680,] 6.19
## [681,] 4.70
## [682,] 5.47
## [683,] 5.39
## [684,] 5.28
## [685,] 4.97
## [686,] 5.30
## [687,] 3.69
## [688,] 3.58
## [689,] 4.97
## [690,] 6.33
## [691,] 5.30
## [692,] 4.61
## [693,] 4.19
## [694,] 4.47
## [695,] 4.60
## [696,] 5.14
## [697,] 4.27
## [698,] 5.35
## [699,] 5.35
## [700,] 6.16
## [701,] 6.18
## [702,] 5.50
## [703,] 5.32
## [704,] 4.97
## [705,] 5.73
## [706,] 4.72
## [707,] 4.93
## [708,] 4.75
## [709,] 5.00
## [710,] 4.32
## [711,] 3.61
## [712,] 4.61
## [713,] 4.46
## [714,] 5.77
## [715,] 5.80
## [716,] 4.55
## [717,] 4.38
## [718,] 4.22
## [719,] 4.47
## [720,] 4.96
## [721,] 5.23
## [722,] 4.89
## [723,] 4.24
## [724,] 4.47
## [725,] 3.48
## [726,] 3.39
## [727,] 3.35
## [728,] 5.31
## [729,] 4.16
## [730,] 4.88
## [731,] 5.22
## [732,] 4.81
## [733,] 4.90
## [734,] 4.08
## [735,] 4.82
## [736,] 4.48
## [737,] 4.95
## [738,] 5.77
## [739,] 5.73
## [740,] 6.91
## [741,] 5.33
## [742,] 6.10
## [743,] 4.84
## [744,] 5.43
## [745,] 4.34
## [746,] 5.69
## [747,] 7.11
## [748,] 7.93
## [749,] 6.48
## [750,] 7.22
## [751,] 7.38
## [752,] 7.58
## [753,] 6.79
## [754,] 7.65
## [755,] 9.23
## [756,] 9.50
## [757,] 9.10
## [758,] 8.50
## [759,] 9.52
## [760,] 10.81
## [761,] 10.81
## [762,] 11.31
## [763,] 10.89
## [764,] 10.64
## [765,] 11.79
## [766,] 11.54
## [767,] 10.59
## [768,] 11.78
## [769,] 11.09
## [770,] 12.26
## [771,] 12.74
## [772,] 14.15
## [773,] 14.59
## [774,] 14.95
## [775,] 15.82
## [776,] 15.57
## [777,] 16.04
## [778,] 15.74
## [779,] 16.48
## [780,] 17.35
## [781,] 16.99
## [782,] 17.71
## [783,] 17.88
## [784,] 19.19
## [785,] 20.18
## [786,] 20.94
## [787,] 21.69
## [788,] 20.65
## [789,] 20.48
## [790,] 20.28
## [791,] 20.53
## [792,] 20.37
## [793,] 21.89
## [794,] 21.78
## [795,] 24.30
## [796,] 24.07
## [797,] 23.59
## [798,] 22.60
## [799,] 22.40
## [800,] 21.87
## [801,] 21.61
## [802,] 21.47
## [803,] 23.28
## [804,] 22.97
## [805,] 22.44
## [806,] 21.75
## [807,] 21.54
## [808,] 21.71
## [809,] 22.14
## [810,] 21.63
## [811,] 21.33
## [812,] 19.95
## [813,] 20.32
## [814,] 21.14
## [815,] 20.05
## [816,] 19.84
## [817,] 19.23
## [818,] 19.25
## [819,] 18.53
## [820,] 18.58
## [821,] 20.31
## [822,] 20.27
## [823,] 21.14
## [824,] 22.38
## [825,] 22.42
## [826,] 22.05
## [827,] 21.57
## [828,] 21.79
## [829,] 22.89
## [830,] 22.66
## [831,] 22.18
## [832,] 20.92
## [833,] 20.71
## [834,] 20.60
## [835,] 21.25
## [836,] 22.22
## [837,] 22.11
## [838,] 22.62
## [839,] 21.62
## [840,] 21.15
## [841,] 20.87
## [842,] 22.02
## [843,] 23.61
## [844,] 24.09
## [845,] 24.31
## [846,] 25.59
## [847,] 26.92
## [848,] 27.22
## [849,] 26.23
## [850,] 27.26
## [851,] 27.89
## [852,] 26.52
## [853,] 26.45
## [854,] 25.35
## [855,] 24.65
## [856,] 24.46
## [857,] 23.49
## [858,] 23.18
## [859,] 22.63
## [860,] 23.00
## [861,] 24.19
## [862,] 23.24
## [863,] 20.89
## [864,] 21.86
## [865,] 22.85
## [866,] 23.42
## [867,] 23.85
## [868,] 25.31
## [869,] 26.93
## [870,] 26.63
## [871,] 24.96
## [872,] 24.76
## [873,] 25.13
## [874,] 23.98
## [875,] 24.40
## [876,] 24.09
## [877,] 24.82
## [878,] 25.83
## [879,] 26.40
## [880,] 25.39
## [881,] 25.74
## [882,] 24.85
## [883,] 25.52
## [884,] 25.59
## [885,] 25.96
## [886,] 24.27
## [887,] 23.42
## [888,] 24.16
## [889,] 24.71
## [890,] 25.45
## [891,] 23.96
## [892,] 24.22
## [893,] 22.66
## [894,] 20.76
## [895,] 19.84
## [896,] 19.16
## [897,] 17.71
## [898,] 15.80
## [899,] 14.37
## [900,] 13.14
## [901,] 12.83
## [902,] 10.64
## [903,] 9.66
## [904,] 9.31
## [905,] 9.35
## [906,] 8.16
## [907,] 7.46
## [908,] 6.88
## [909,] 6.45
## [910,] 4.72
## [911,] 4.17
## [912,] 4.38
## [913,] 3.69
## [914,] 4.48
## [915,] 4.94
## [916,] 6.31
## [917,] 5.03
## [918,] 6.99
## [919,] 7.43
## [920,] 7.02
## [921,] 7.01
## [922,] 5.39
## [923,] 3.79
## [924,] 4.46
## [925,] 5.50
## [926,] 5.33
## [927,] 5.34
## [928,] 7.68
## [929,] 6.87
## [930,] 7.01
## [931,] 5.93
## [932,] 4.08
## [933,] 4.53
## [934,] 5.81
## [935,] 5.05
## [936,] 4.27
## [937,] 4.94
## [938,] 4.58
## [939,] 4.33
## [940,] 4.31
## [941,] 4.95
## [942,] 6.63
## [943,] 7.03
## [944,] 6.80
## [945,] 7.46
## [946,] 8.34
## [947,] 6.94
## [948,] 4.90
## [949,] 5.71
## [950,] 5.91
## [951,] 5.87
## [952,] 6.73
## [953,] 6.69
## [954,] 5.23
## [955,] 5.22
## [956,] 4.02
## [957,] 4.24
## [958,] 5.56
## [959,] 5.00
## [960,] 3.39
## [961,] 4.04
## [962,] 3.50
## [963,] 4.39
## [964,] 3.02
## [965,] 4.11
## [966,] 4.23
## [967,] 3.02
## [968,] 3.60
## [969,] 4.92
## [970,] 4.78
## [971,] 3.81
## [972,] 4.95
## [973,] 4.76
## [974,] 5.63
## [975,] 6.25
## [976,] 6.36
## [977,] 5.22
## [978,] 3.68
## [979,] 2.97
## [980,] 2.89
## [981,] 3.94
## [982,] 6.76
## [983,] 6.36
## [984,] 6.64
## [985,] 6.82
## [986,] 6.00
## [987,] 7.03
## [988,] 4.84
## [989,] 4.40
## [990,] 5.86
## [991,] 4.69
## [992,] 5.89
itr_points1=c(785:815,821:894)
new2=new1[-itr_points1,]
cus2=mult.chart(type = "mcusum", x=new2[,-1], alpha = 0.0027, k = 2, h = 19.97, phase = 1, method = "sw")

cus2$t2
## [,1]
## [1,] 3.03
## [2,] 4.17
## [3,] 4.18
## [4,] 4.12
## [5,] 3.38
## [6,] 3.59
## [7,] 4.44
## [8,] 5.89
## [9,] 6.71
## [10,] 6.41
## [11,] 5.07
## [12,] 4.77
## [13,] 3.80
## [14,] 3.15
## [15,] 4.35
## [16,] 3.23
## [17,] 2.98
## [18,] 3.92
## [19,] 5.67
## [20,] 4.77
## [21,] 4.74
## [22,] 6.03
## [23,] 4.95
## [24,] 4.84
## [25,] 4.92
## [26,] 8.08
## [27,] 7.49
## [28,] 7.01
## [29,] 5.51
## [30,] 5.58
## [31,] 6.49
## [32,] 5.28
## [33,] 6.10
## [34,] 6.72
## [35,] 6.60
## [36,] 5.77
## [37,] 6.25
## [38,] 5.76
## [39,] 6.59
## [40,] 6.14
## [41,] 6.56
## [42,] 6.50
## [43,] 6.49
## [44,] 6.59
## [45,] 6.35
## [46,] 4.55
## [47,] 5.33
## [48,] 6.43
## [49,] 5.10
## [50,] 4.73
## [51,] 4.45
## [52,] 4.18
## [53,] 5.59
## [54,] 5.17
## [55,] 4.81
## [56,] 5.67
## [57,] 7.60
## [58,] 8.36
## [59,] 7.15
## [60,] 6.86
## [61,] 6.40
## [62,] 5.86
## [63,] 6.12
## [64,] 5.74
## [65,] 5.66
## [66,] 4.65
## [67,] 4.88
## [68,] 5.84
## [69,] 4.40
## [70,] 2.70
## [71,] 3.00
## [72,] 4.60
## [73,] 6.47
## [74,] 7.06
## [75,] 5.38
## [76,] 3.62
## [77,] 4.78
## [78,] 4.59
## [79,] 6.08
## [80,] 5.42
## [81,] 4.06
## [82,] 4.89
## [83,] 4.39
## [84,] 5.21
## [85,] 5.66
## [86,] 5.51
## [87,] 5.85
## [88,] 5.85
## [89,] 4.58
## [90,] 4.67
## [91,] 3.17
## [92,] 3.27
## [93,] 3.35
## [94,] 4.55
## [95,] 4.02
## [96,] 5.18
## [97,] 4.55
## [98,] 3.84
## [99,] 4.24
## [100,] 4.55
## [101,] 4.76
## [102,] 5.81
## [103,] 5.52
## [104,] 6.25
## [105,] 6.36
## [106,] 5.63
## [107,] 4.08
## [108,] 5.23
## [109,] 6.09
## [110,] 6.07
## [111,] 4.94
## [112,] 5.37
## [113,] 5.43
## [114,] 5.54
## [115,] 5.75
## [116,] 5.52
## [117,] 4.73
## [118,] 5.79
## [119,] 4.80
## [120,] 4.37
## [121,] 4.73
## [122,] 5.46
## [123,] 4.85
## [124,] 4.38
## [125,] 5.81
## [126,] 4.62
## [127,] 3.14
## [128,] 3.74
## [129,] 4.87
## [130,] 5.53
## [131,] 5.48
## [132,] 4.74
## [133,] 4.71
## [134,] 6.73
## [135,] 7.49
## [136,] 7.35
## [137,] 7.79
## [138,] 8.51
## [139,] 7.51
## [140,] 7.53
## [141,] 7.14
## [142,] 5.76
## [143,] 5.88
## [144,] 6.03
## [145,] 5.73
## [146,] 4.48
## [147,] 6.58
## [148,] 6.46
## [149,] 5.42
## [150,] 4.53
## [151,] 4.11
## [152,] 4.89
## [153,] 5.16
## [154,] 5.96
## [155,] 6.84
## [156,] 7.04
## [157,] 6.87
## [158,] 6.82
## [159,] 6.70
## [160,] 7.94
## [161,] 7.50
## [162,] 8.32
## [163,] 7.29
## [164,] 8.03
## [165,] 6.70
## [166,] 7.03
## [167,] 7.98
## [168,] 8.15
## [169,] 8.33
## [170,] 9.28
## [171,] 8.95
## [172,] 8.40
## [173,] 8.84
## [174,] 10.30
## [175,] 10.52
## [176,] 11.59
## [177,] 10.81
## [178,] 12.08
## [179,] 12.11
## [180,] 11.70
## [181,] 12.24
## [182,] 11.76
## [183,] 12.41
## [184,] 12.63
## [185,] 13.21
## [186,] 12.55
## [187,] 12.12
## [188,] 13.05
## [189,] 12.21
## [190,] 12.56
## [191,] 13.25
## [192,] 13.61
## [193,] 14.60
## [194,] 14.85
## [195,] 13.92
## [196,] 14.28
## [197,] 14.23
## [198,] 14.14
## [199,] 14.53
## [200,] 14.09
## [201,] 14.36
## [202,] 14.23
## [203,] 14.50
## [204,] 14.14
## [205,] 14.36
## [206,] 13.40
## [207,] 12.66
## [208,] 13.18
## [209,] 12.93
## [210,] 13.52
## [211,] 14.37
## [212,] 13.52
## [213,] 13.53
## [214,] 14.11
## [215,] 13.79
## [216,] 13.88
## [217,] 14.97
## [218,] 14.42
## [219,] 15.65
## [220,] 14.97
## [221,] 13.30
## [222,] 11.63
## [223,] 11.14
## [224,] 11.19
## [225,] 10.99
## [226,] 10.48
## [227,] 9.73
## [228,] 8.35
## [229,] 8.45
## [230,] 8.87
## [231,] 10.15
## [232,] 9.97
## [233,] 10.69
## [234,] 10.43
## [235,] 10.01
## [236,] 9.99
## [237,] 10.00
## [238,] 10.19
## [239,] 10.43
## [240,] 10.08
## [241,] 10.05
## [242,] 11.21
## [243,] 10.85
## [244,] 11.85
## [245,] 11.41
## [246,] 12.54
## [247,] 11.90
## [248,] 12.70
## [249,] 10.77
## [250,] 11.68
## [251,] 11.70
## [252,] 11.67
## [253,] 12.14
## [254,] 12.53
## [255,] 12.87
## [256,] 14.01
## [257,] 13.70
## [258,] 13.38
## [259,] 13.07
## [260,] 13.89
## [261,] 14.06
## [262,] 14.21
## [263,] 14.16
## [264,] 12.90
## [265,] 13.25
## [266,] 11.41
## [267,] 10.63
## [268,] 10.65
## [269,] 11.64
## [270,] 11.07
## [271,] 10.58
## [272,] 9.53
## [273,] 8.87
## [274,] 8.05
## [275,] 8.23
## [276,] 7.31
## [277,] 7.08
## [278,] 7.25
## [279,] 7.73
## [280,] 7.35
## [281,] 7.87
## [282,] 9.21
## [283,] 8.83
## [284,] 7.06
## [285,] 7.53
## [286,] 7.10
## [287,] 8.23
## [288,] 7.12
## [289,] 7.78
## [290,] 6.63
## [291,] 7.03
## [292,] 7.29
## [293,] 7.87
## [294,] 8.43
## [295,] 8.74
## [296,] 8.80
## [297,] 8.98
## [298,] 8.89
## [299,] 9.40
## [300,] 12.02
## [301,] 12.10
## [302,] 11.56
## [303,] 12.28
## [304,] 12.56
## [305,] 12.43
## [306,] 12.33
## [307,] 13.24
## [308,] 13.84
## [309,] 14.09
## [310,] 13.12
## [311,] 14.22
## [312,] 14.20
## [313,] 13.70
## [314,] 12.93
## [315,] 12.30
## [316,] 12.26
## [317,] 12.30
## [318,] 12.44
## [319,] 14.05
## [320,] 12.92
## [321,] 13.14
## [322,] 13.13
## [323,] 12.29
## [324,] 12.55
## [325,] 12.00
## [326,] 12.11
## [327,] 11.69
## [328,] 13.65
## [329,] 14.12
## [330,] 14.22
## [331,] 14.29
## [332,] 14.50
## [333,] 14.45
## [334,] 15.80
## [335,] 15.94
## [336,] 15.07
## [337,] 15.10
## [338,] 14.68
## [339,] 15.64
## [340,] 15.08
## [341,] 16.83
## [342,] 14.94
## [343,] 15.25
## [344,] 14.63
## [345,] 14.12
## [346,] 14.64
## [347,] 15.10
## [348,] 14.07
## [349,] 13.62
## [350,] 12.38
## [351,] 10.62
## [352,] 7.30
## [353,] 6.25
## [354,] 5.60
## [355,] 5.19
## [356,] 2.99
## [357,] 2.44
## [358,] 4.47
## [359,] 3.50
## [360,] 3.80
## [361,] 3.78
## [362,] 4.02
## [363,] 3.22
## [364,] 5.32
## [365,] 5.43
## [366,] 5.15
## [367,] 6.31
## [368,] 4.98
## [369,] 3.34
## [370,] 5.93
## [371,] 6.07
## [372,] 4.50
## [373,] 4.19
## [374,] 3.13
## [375,] 5.86
## [376,] 5.08
## [377,] 4.91
## [378,] 4.21
## [379,] 4.25
## [380,] 3.90
## [381,] 4.66
## [382,] 5.76
## [383,] 5.52
## [384,] 6.49
## [385,] 6.01
## [386,] 6.06
## [387,] 5.99
## [388,] 6.25
## [389,] 5.34
## [390,] 6.24
## [391,] 5.43
## [392,] 4.15
## [393,] 5.61
## [394,] 6.69
## [395,] 5.31
## [396,] 6.70
## [397,] 5.57
## [398,] 4.90
## [399,] 3.70
## [400,] 5.21
## [401,] 4.76
## [402,] 4.37
## [403,] 5.52
## [404,] 5.66
## [405,] 5.00
## [406,] 5.26
## [407,] 6.14
## [408,] 5.91
## [409,] 6.28
## [410,] 5.17
## [411,] 5.94
## [412,] 6.09
## [413,] 4.96
## [414,] 5.11
## [415,] 5.25
## [416,] 4.52
## [417,] 4.70
## [418,] 3.11
## [419,] 4.46
## [420,] 2.91
## [421,] 4.48
## [422,] 3.03
## [423,] 4.69
## [424,] 5.25
## [425,] 5.52
## [426,] 5.40
## [427,] 5.15
## [428,] 4.73
## [429,] 5.12
## [430,] 4.04
## [431,] 2.82
## [432,] 3.71
## [433,] 2.97
## [434,] 4.57
## [435,] 5.03
## [436,] 5.03
## [437,] 3.94
## [438,] 3.39
## [439,] 4.49
## [440,] 4.06
## [441,] 4.91
## [442,] 4.11
## [443,] 4.04
## [444,] 4.22
## [445,] 4.03
## [446,] 5.16
## [447,] 5.66
## [448,] 5.02
## [449,] 6.54
## [450,] 7.97
## [451,] 8.00
## [452,] 7.19
## [453,] 5.26
## [454,] 4.87
## [455,] 4.49
## [456,] 5.02
## [457,] 4.63
## [458,] 4.43
## [459,] 5.36
## [460,] 6.22
## [461,] 5.96
## [462,] 4.71
## [463,] 4.57
## [464,] 4.98
## [465,] 3.57
## [466,] 3.75
## [467,] 2.87
## [468,] 3.56
## [469,] 3.41
## [470,] 2.57
## [471,] 3.32
## [472,] 4.12
## [473,] 3.84
## [474,] 5.00
## [475,] 4.38
## [476,] 4.33
## [477,] 3.70
## [478,] 5.52
## [479,] 4.49
## [480,] 3.01
## [481,] 3.59
## [482,] 3.75
## [483,] 4.86
## [484,] 4.31
## [485,] 4.68
## [486,] 4.10
## [487,] 4.02
## [488,] 4.10
## [489,] 4.91
## [490,] 4.82
## [491,] 2.71
## [492,] 3.55
## [493,] 4.48
## [494,] 5.17
## [495,] 4.85
## [496,] 4.48
## [497,] 4.27
## [498,] 5.11
## [499,] 4.87
## [500,] 5.79
## [501,] 5.95
## [502,] 5.90
## [503,] 4.71
## [504,] 3.98
## [505,] 4.56
## [506,] 6.41
## [507,] 5.97
## [508,] 7.21
## [509,] 5.40
## [510,] 5.21
## [511,] 7.05
## [512,] 6.71
## [513,] 5.33
## [514,] 4.74
## [515,] 6.45
## [516,] 4.66
## [517,] 5.33
## [518,] 4.61
## [519,] 5.09
## [520,] 4.97
## [521,] 4.88
## [522,] 4.26
## [523,] 4.76
## [524,] 5.11
## [525,] 5.37
## [526,] 5.81
## [527,] 4.47
## [528,] 4.06
## [529,] 4.20
## [530,] 3.60
## [531,] 4.69
## [532,] 5.17
## [533,] 4.91
## [534,] 4.82
## [535,] 4.27
## [536,] 4.06
## [537,] 5.10
## [538,] 5.62
## [539,] 5.59
## [540,] 6.61
## [541,] 5.15
## [542,] 3.52
## [543,] 3.90
## [544,] 3.92
## [545,] 5.50
## [546,] 5.53
## [547,] 4.40
## [548,] 4.70
## [549,] 5.47
## [550,] 4.74
## [551,] 4.65
## [552,] 5.22
## [553,] 5.86
## [554,] 5.70
## [555,] 5.22
## [556,] 5.82
## [557,] 6.98
## [558,] 7.06
## [559,] 7.70
## [560,] 5.76
## [561,] 5.50
## [562,] 5.72
## [563,] 6.94
## [564,] 5.82
## [565,] 6.11
## [566,] 5.40
## [567,] 5.72
## [568,] 5.40
## [569,] 5.30
## [570,] 5.37
## [571,] 6.06
## [572,] 6.39
## [573,] 5.80
## [574,] 5.52
## [575,] 5.22
## [576,] 6.35
## [577,] 6.16
## [578,] 6.93
## [579,] 5.50
## [580,] 4.81
## [581,] 3.34
## [582,] 4.15
## [583,] 2.95
## [584,] 3.63
## [585,] 4.59
## [586,] 5.10
## [587,] 4.07
## [588,] 3.40
## [589,] 4.21
## [590,] 3.00
## [591,] 3.80
## [592,] 4.95
## [593,] 5.86
## [594,] 4.08
## [595,] 4.16
## [596,] 5.37
## [597,] 6.61
## [598,] 6.62
## [599,] 5.77
## [600,] 5.78
## [601,] 6.38
## [602,] 5.52
## [603,] 6.47
## [604,] 7.09
## [605,] 7.65
## [606,] 7.09
## [607,] 7.18
## [608,] 7.70
## [609,] 6.84
## [610,] 6.68
## [611,] 5.64
## [612,] 4.80
## [613,] 5.42
## [614,] 5.93
## [615,] 5.92
## [616,] 6.03
## [617,] 6.28
## [618,] 5.92
## [619,] 5.14
## [620,] 5.02
## [621,] 5.02
## [622,] 5.43
## [623,] 6.30
## [624,] 6.51
## [625,] 5.17
## [626,] 5.19
## [627,] 3.59
## [628,] 4.01
## [629,] 4.75
## [630,] 5.43
## [631,] 4.36
## [632,] 6.26
## [633,] 4.81
## [634,] 4.85
## [635,] 3.65
## [636,] 4.46
## [637,] 5.96
## [638,] 6.73
## [639,] 5.76
## [640,] 4.09
## [641,] 3.96
## [642,] 4.43
## [643,] 4.63
## [644,] 4.39
## [645,] 4.57
## [646,] 4.71
## [647,] 5.90
## [648,] 6.38
## [649,] 6.15
## [650,] 6.20
## [651,] 6.63
## [652,] 6.91
## [653,] 8.13
## [654,] 5.79
## [655,] 6.24
## [656,] 5.39
## [657,] 4.82
## [658,] 4.08
## [659,] 4.24
## [660,] 4.76
## [661,] 4.24
## [662,] 3.55
## [663,] 5.01
## [664,] 5.28
## [665,] 4.44
## [666,] 5.77
## [667,] 5.05
## [668,] 5.37
## [669,] 5.30
## [670,] 5.40
## [671,] 4.31
## [672,] 5.94
## [673,] 5.40
## [674,] 5.56
## [675,] 6.36
## [676,] 4.95
## [677,] 5.59
## [678,] 4.11
## [679,] 5.10
## [680,] 5.96
## [681,] 4.54
## [682,] 5.35
## [683,] 5.20
## [684,] 5.28
## [685,] 5.12
## [686,] 5.18
## [687,] 3.58
## [688,] 3.47
## [689,] 4.97
## [690,] 6.10
## [691,] 5.18
## [692,] 4.57
## [693,] 4.06
## [694,] 4.74
## [695,] 4.91
## [696,] 5.23
## [697,] 4.22
## [698,] 5.20
## [699,] 5.18
## [700,] 6.05
## [701,] 5.95
## [702,] 5.34
## [703,] 5.13
## [704,] 4.80
## [705,] 5.51
## [706,] 4.45
## [707,] 4.65
## [708,] 4.61
## [709,] 4.97
## [710,] 4.29
## [711,] 3.58
## [712,] 4.69
## [713,] 4.57
## [714,] 5.94
## [715,] 6.08
## [716,] 4.75
## [717,] 4.53
## [718,] 4.46
## [719,] 4.84
## [720,] 5.14
## [721,] 5.51
## [722,] 5.22
## [723,] 4.37
## [724,] 4.71
## [725,] 3.52
## [726,] 3.44
## [727,] 3.33
## [728,] 5.28
## [729,] 4.18
## [730,] 4.99
## [731,] 5.21
## [732,] 4.76
## [733,] 4.78
## [734,] 3.95
## [735,] 4.85
## [736,] 4.40
## [737,] 4.77
## [738,] 5.59
## [739,] 5.51
## [740,] 6.71
## [741,] 5.16
## [742,] 5.82
## [743,] 4.60
## [744,] 5.20
## [745,] 4.28
## [746,] 5.58
## [747,] 7.09
## [748,] 7.92
## [749,] 7.08
## [750,] 8.86
## [751,] 9.34
## [752,] 11.05
## [753,] 10.86
## [754,] 12.16
## [755,] 15.20
## [756,] 15.99
## [757,] 15.54
## [758,] 15.37
## [759,] 17.73
## [760,] 19.74
## [761,] 20.25
## [762,] 21.41
## [763,] 20.62
## [764,] 20.48
## [765,] 23.61
## [766,] 24.31
## [767,] 23.50
## [768,] 25.79
## [769,] 26.00
## [770,] 27.77
## [771,] 28.80
## [772,] 31.11
## [773,] 33.20
## [774,] 34.44
## [775,] 36.25
## [776,] 36.24
## [777,] 37.37
## [778,] 36.74
## [779,] 39.45
## [780,] 42.02
## [781,] 41.49
## [782,] 43.60
## [783,] 43.96
## [784,] 46.17
## [785,] 43.95
## [786,] 46.17
## [787,] 48.43
## [788,] 48.35
## [789,] 48.65
## [790,] 46.66
## [791,] 45.31
## [792,] 44.07
## [793,] 41.62
## [794,] 40.07
## [795,] 37.98
## [796,] 35.39
## [797,] 33.18
## [798,] 31.35
## [799,] 29.50
## [800,] 29.05
## [801,] 26.84
## [802,] 24.40
## [803,] 22.85
## [804,] 21.89
## [805,] 20.22
## [806,] 18.58
## [807,] 16.99
## [808,] 14.68
## [809,] 14.43
## [810,] 13.11
## [811,] 13.17
## [812,] 11.16
## [813,] 11.44
## [814,] 10.87
## [815,] 9.73
## [816,] 9.48
## [817,] 7.96
## [818,] 5.88
## [819,] 6.27
## [820,] 7.00
## [821,] 6.29
## [822,] 6.21
## [823,] 8.26
## [824,] 7.19
## [825,] 7.13
## [826,] 5.99
## [827,] 4.01
## [828,] 4.38
## [829,] 5.68
## [830,] 5.03
## [831,] 4.41
## [832,] 4.88
## [833,] 4.49
## [834,] 4.32
## [835,] 4.40
## [836,] 5.05
## [837,] 6.59
## [838,] 7.08
## [839,] 6.88
## [840,] 7.51
## [841,] 8.46
## [842,] 7.04
## [843,] 4.93
## [844,] 5.81
## [845,] 6.04
## [846,] 5.98
## [847,] 6.92
## [848,] 6.89
## [849,] 5.46
## [850,] 5.31
## [851,] 4.06
## [852,] 4.17
## [853,] 5.39
## [854,] 4.84
## [855,] 3.28
## [856,] 3.92
## [857,] 3.40
## [858,] 4.44
## [859,] 2.93
## [860,] 4.05
## [861,] 4.23
## [862,] 3.10
## [863,] 3.57
## [864,] 4.84
## [865,] 4.83
## [866,] 3.88
## [867,] 4.91
## [868,] 4.69
## [869,] 5.51
## [870,] 6.32
## [871,] 6.27
## [872,] 5.04
## [873,] 3.49
## [874,] 2.81
## [875,] 2.75
## [876,] 4.06
## [877,] 6.80
## [878,] 6.31
## [879,] 6.51
## [880,] 6.71
## [881,] 5.99
## [882,] 7.16
## [883,] 5.14
## [884,] 4.59
## [885,] 5.94
## [886,] 4.77
## [887,] 5.96
itr_points2=c(761:805)
new3=new2[-itr_points2,]
cus3=mult.chart(type = "mcusum", x=new3[,-1], alpha = 0.0027, k = 2, h = 19.97, phase = 1, method = "sw")

cus3$t2
## [,1]
## [1,] 3.05
## [2,] 4.18
## [3,] 4.30
## [4,] 4.26
## [5,] 3.66
## [6,] 3.90
## [7,] 4.88
## [8,] 6.34
## [9,] 7.06
## [10,] 6.48
## [11,] 5.22
## [12,] 4.84
## [13,] 3.93
## [14,] 3.46
## [15,] 4.50
## [16,] 3.50
## [17,] 3.09
## [18,] 4.07
## [19,] 5.75
## [20,] 4.98
## [21,] 4.93
## [22,] 6.22
## [23,] 5.04
## [24,] 4.94
## [25,] 5.00
## [26,] 8.25
## [27,] 7.74
## [28,] 7.11
## [29,] 5.63
## [30,] 5.63
## [31,] 6.61
## [32,] 5.36
## [33,] 6.22
## [34,] 6.82
## [35,] 6.62
## [36,] 5.83
## [37,] 6.30
## [38,] 5.71
## [39,] 6.51
## [40,] 6.11
## [41,] 6.57
## [42,] 6.62
## [43,] 6.49
## [44,] 6.68
## [45,] 6.43
## [46,] 4.54
## [47,] 5.37
## [48,] 6.45
## [49,] 5.14
## [50,] 4.74
## [51,] 4.46
## [52,] 4.26
## [53,] 5.62
## [54,] 5.13
## [55,] 4.73
## [56,] 5.57
## [57,] 7.50
## [58,] 8.23
## [59,] 7.05
## [60,] 6.75
## [61,] 6.28
## [62,] 5.74
## [63,] 6.02
## [64,] 5.76
## [65,] 5.69
## [66,] 4.76
## [67,] 5.03
## [68,] 5.88
## [69,] 4.51
## [70,] 2.88
## [71,] 3.05
## [72,] 4.63
## [73,] 6.58
## [74,] 7.22
## [75,] 5.49
## [76,] 3.99
## [77,] 5.28
## [78,] 4.78
## [79,] 6.23
## [80,] 5.54
## [81,] 4.23
## [82,] 5.08
## [83,] 4.40
## [84,] 5.24
## [85,] 5.64
## [86,] 5.46
## [87,] 5.76
## [88,] 5.78
## [89,] 4.50
## [90,] 4.62
## [91,] 3.13
## [92,] 3.24
## [93,] 3.37
## [94,] 4.56
## [95,] 4.13
## [96,] 5.23
## [97,] 4.68
## [98,] 3.95
## [99,] 4.22
## [100,] 4.51
## [101,] 4.69
## [102,] 5.80
## [103,] 5.49
## [104,] 6.25
## [105,] 6.37
## [106,] 5.65
## [107,] 4.17
## [108,] 5.23
## [109,] 6.13
## [110,] 6.21
## [111,] 4.98
## [112,] 5.44
## [113,] 5.63
## [114,] 5.68
## [115,] 5.94
## [116,] 5.64
## [117,] 4.88
## [118,] 5.88
## [119,] 4.85
## [120,] 4.36
## [121,] 4.77
## [122,] 5.57
## [123,] 4.93
## [124,] 4.51
## [125,] 5.90
## [126,] 4.70
## [127,] 3.12
## [128,] 3.90
## [129,] 5.09
## [130,] 5.71
## [131,] 5.63
## [132,] 4.80
## [133,] 4.70
## [134,] 6.74
## [135,] 7.54
## [136,] 7.31
## [137,] 7.81
## [138,] 8.49
## [139,] 7.59
## [140,] 7.56
## [141,] 7.27
## [142,] 6.07
## [143,] 6.05
## [144,] 6.25
## [145,] 5.84
## [146,] 4.57
## [147,] 6.63
## [148,] 6.50
## [149,] 5.46
## [150,] 4.55
## [151,] 4.06
## [152,] 4.78
## [153,] 5.07
## [154,] 5.85
## [155,] 6.70
## [156,] 6.90
## [157,] 6.69
## [158,] 6.65
## [159,] 6.59
## [160,] 7.72
## [161,] 7.28
## [162,] 8.08
## [163,] 7.11
## [164,] 7.85
## [165,] 6.47
## [166,] 6.78
## [167,] 7.70
## [168,] 7.85
## [169,] 8.06
## [170,] 8.88
## [171,] 8.55
## [172,] 8.02
## [173,] 8.50
## [174,] 9.95
## [175,] 10.14
## [176,] 11.15
## [177,] 10.38
## [178,] 11.63
## [179,] 11.74
## [180,] 11.30
## [181,] 11.91
## [182,] 11.36
## [183,] 12.03
## [184,] 12.27
## [185,] 12.90
## [186,] 12.20
## [187,] 11.79
## [188,] 12.62
## [189,] 11.72
## [190,] 12.02
## [191,] 12.80
## [192,] 13.24
## [193,] 14.20
## [194,] 14.43
## [195,] 13.42
## [196,] 13.71
## [197,] 13.64
## [198,] 13.58
## [199,] 13.94
## [200,] 13.46
## [201,] 13.70
## [202,] 13.53
## [203,] 13.77
## [204,] 13.42
## [205,] 13.58
## [206,] 12.59
## [207,] 11.90
## [208,] 12.37
## [209,] 12.17
## [210,] 12.74
## [211,] 13.56
## [212,] 12.70
## [213,] 12.69
## [214,] 13.24
## [215,] 12.94
## [216,] 13.07
## [217,] 14.10
## [218,] 13.56
## [219,] 14.86
## [220,] 14.20
## [221,] 12.45
## [222,] 10.76
## [223,] 10.24
## [224,] 10.29
## [225,] 10.11
## [226,] 9.54
## [227,] 8.83
## [228,] 7.44
## [229,] 7.54
## [230,] 8.00
## [231,] 9.20
## [232,] 9.05
## [233,] 9.71
## [234,] 9.45
## [235,] 9.24
## [236,] 9.30
## [237,] 9.40
## [238,] 9.57
## [239,] 10.01
## [240,] 9.54
## [241,] 9.38
## [242,] 10.55
## [243,] 10.17
## [244,] 11.13
## [245,] 10.74
## [246,] 11.79
## [247,] 11.19
## [248,] 11.94
## [249,] 10.01
## [250,] 10.88
## [251,] 10.89
## [252,] 10.80
## [253,] 11.26
## [254,] 11.68
## [255,] 12.02
## [256,] 13.15
## [257,] 12.85
## [258,] 12.50
## [259,] 12.20
## [260,] 13.02
## [261,] 13.19
## [262,] 13.37
## [263,] 13.35
## [264,] 12.06
## [265,] 12.38
## [266,] 10.51
## [267,] 9.67
## [268,] 9.67
## [269,] 10.73
## [270,] 10.23
## [271,] 9.85
## [272,] 8.92
## [273,] 8.19
## [274,] 7.36
## [275,] 7.52
## [276,] 6.71
## [277,] 6.39
## [278,] 6.72
## [279,] 7.32
## [280,] 7.16
## [281,] 7.54
## [282,] 8.80
## [283,] 8.59
## [284,] 6.77
## [285,] 7.18
## [286,] 6.69
## [287,] 7.81
## [288,] 6.69
## [289,] 7.35
## [290,] 6.16
## [291,] 6.60
## [292,] 6.90
## [293,] 7.54
## [294,] 8.15
## [295,] 8.37
## [296,] 8.46
## [297,] 8.72
## [298,] 8.54
## [299,] 9.02
## [300,] 11.53
## [301,] 11.64
## [302,] 11.16
## [303,] 11.79
## [304,] 11.96
## [305,] 11.84
## [306,] 11.86
## [307,] 12.75
## [308,] 13.26
## [309,] 13.52
## [310,] 12.53
## [311,] 13.62
## [312,] 13.54
## [313,] 13.01
## [314,] 12.20
## [315,] 11.65
## [316,] 11.60
## [317,] 11.57
## [318,] 11.69
## [319,] 13.31
## [320,] 12.19
## [321,] 12.48
## [322,] 12.43
## [323,] 11.59
## [324,] 11.83
## [325,] 11.18
## [326,] 11.34
## [327,] 10.95
## [328,] 12.89
## [329,] 13.40
## [330,] 13.56
## [331,] 13.65
## [332,] 13.75
## [333,] 13.69
## [334,] 15.02
## [335,] 15.19
## [336,] 14.26
## [337,] 14.27
## [338,] 13.86
## [339,] 14.75
## [340,] 14.13
## [341,] 15.83
## [342,] 13.96
## [343,] 14.21
## [344,] 13.56
## [345,] 13.15
## [346,] 13.68
## [347,] 14.13
## [348,] 13.10
## [349,] 12.55
## [350,] 11.38
## [351,] 9.71
## [352,] 6.37
## [353,] 5.59
## [354,] 5.13
## [355,] 4.99
## [356,] 2.91
## [357,] 2.39
## [358,] 4.65
## [359,] 3.53
## [360,] 3.87
## [361,] 3.77
## [362,] 4.02
## [363,] 3.19
## [364,] 5.26
## [365,] 5.45
## [366,] 5.37
## [367,] 6.76
## [368,] 5.38
## [369,] 3.44
## [370,] 6.19
## [371,] 6.25
## [372,] 4.76
## [373,] 4.45
## [374,] 3.21
## [375,] 5.95
## [376,] 5.15
## [377,] 5.01
## [378,] 4.42
## [379,] 4.30
## [380,] 3.88
## [381,] 4.64
## [382,] 5.72
## [383,] 5.46
## [384,] 6.48
## [385,] 5.98
## [386,] 5.98
## [387,] 5.92
## [388,] 6.15
## [389,] 5.27
## [390,] 6.24
## [391,] 5.35
## [392,] 4.04
## [393,] 5.49
## [394,] 6.51
## [395,] 5.16
## [396,] 6.53
## [397,] 5.45
## [398,] 4.79
## [399,] 3.63
## [400,] 5.18
## [401,] 4.68
## [402,] 4.26
## [403,] 5.59
## [404,] 5.92
## [405,] 5.10
## [406,] 5.38
## [407,] 6.28
## [408,] 6.07
## [409,] 6.33
## [410,] 5.20
## [411,] 5.92
## [412,] 5.99
## [413,] 4.93
## [414,] 5.08
## [415,] 5.18
## [416,] 4.42
## [417,] 4.63
## [418,] 3.01
## [419,] 4.33
## [420,] 2.86
## [421,] 4.44
## [422,] 2.96
## [423,] 4.78
## [424,] 5.40
## [425,] 5.66
## [426,] 5.45
## [427,] 5.15
## [428,] 4.69
## [429,] 5.10
## [430,] 4.24
## [431,] 2.96
## [432,] 3.73
## [433,] 2.97
## [434,] 4.56
## [435,] 5.07
## [436,] 5.07
## [437,] 4.00
## [438,] 3.41
## [439,] 4.51
## [440,] 4.11
## [441,] 4.91
## [442,] 4.11
## [443,] 4.17
## [444,] 4.28
## [445,] 3.99
## [446,] 5.09
## [447,] 5.58
## [448,] 5.13
## [449,] 6.69
## [450,] 8.14
## [451,] 8.04
## [452,] 7.15
## [453,] 5.20
## [454,] 4.80
## [455,] 4.39
## [456,] 4.92
## [457,] 4.52
## [458,] 4.34
## [459,] 5.28
## [460,] 6.13
## [461,] 5.80
## [462,] 4.56
## [463,] 4.42
## [464,] 4.85
## [465,] 3.50
## [466,] 3.65
## [467,] 2.81
## [468,] 3.53
## [469,] 3.42
## [470,] 2.51
## [471,] 3.24
## [472,] 4.08
## [473,] 3.74
## [474,] 4.87
## [475,] 4.25
## [476,] 4.28
## [477,] 3.66
## [478,] 5.42
## [479,] 4.41
## [480,] 2.98
## [481,] 3.71
## [482,] 3.77
## [483,] 4.86
## [484,] 4.36
## [485,] 4.63
## [486,] 4.06
## [487,] 4.07
## [488,] 4.19
## [489,] 5.02
## [490,] 5.04
## [491,] 2.91
## [492,] 3.61
## [493,] 4.56
## [494,] 5.18
## [495,] 4.88
## [496,] 4.52
## [497,] 4.27
## [498,] 5.08
## [499,] 4.84
## [500,] 5.75
## [501,] 5.94
## [502,] 5.82
## [503,] 4.79
## [504,] 4.03
## [505,] 4.73
## [506,] 6.47
## [507,] 5.92
## [508,] 7.14
## [509,] 5.32
## [510,] 5.19
## [511,] 7.04
## [512,] 6.72
## [513,] 5.38
## [514,] 4.79
## [515,] 6.46
## [516,] 4.69
## [517,] 5.31
## [518,] 4.66
## [519,] 5.05
## [520,] 4.95
## [521,] 4.81
## [522,] 4.18
## [523,] 4.78
## [524,] 5.06
## [525,] 5.41
## [526,] 5.79
## [527,] 4.44
## [528,] 4.09
## [529,] 4.25
## [530,] 3.54
## [531,] 4.66
## [532,] 5.22
## [533,] 5.07
## [534,] 4.98
## [535,] 4.40
## [536,] 4.27
## [537,] 5.27
## [538,] 5.70
## [539,] 5.57
## [540,] 6.62
## [541,] 5.10
## [542,] 3.62
## [543,] 4.05
## [544,] 3.93
## [545,] 5.51
## [546,] 5.54
## [547,] 4.43
## [548,] 4.73
## [549,] 5.55
## [550,] 4.79
## [551,] 4.73
## [552,] 5.28
## [553,] 5.88
## [554,] 5.82
## [555,] 5.34
## [556,] 5.90
## [557,] 7.02
## [558,] 7.11
## [559,] 7.73
## [560,] 5.75
## [561,] 5.44
## [562,] 5.67
## [563,] 6.89
## [564,] 5.74
## [565,] 6.06
## [566,] 5.34
## [567,] 5.70
## [568,] 5.38
## [569,] 5.27
## [570,] 5.27
## [571,] 5.95
## [572,] 6.29
## [573,] 5.81
## [574,] 5.60
## [575,] 5.23
## [576,] 6.40
## [577,] 6.19
## [578,] 7.05
## [579,] 5.63
## [580,] 4.91
## [581,] 3.45
## [582,] 4.15
## [583,] 3.01
## [584,] 3.61
## [585,] 4.57
## [586,] 5.10
## [587,] 4.01
## [588,] 3.33
## [589,] 4.23
## [590,] 3.07
## [591,] 3.92
## [592,] 4.96
## [593,] 5.84
## [594,] 4.04
## [595,] 4.18
## [596,] 5.31
## [597,] 6.57
## [598,] 6.61
## [599,] 5.75
## [600,] 5.79
## [601,] 6.36
## [602,] 5.46
## [603,] 6.39
## [604,] 7.07
## [605,] 7.67
## [606,] 7.08
## [607,] 7.15
## [608,] 7.63
## [609,] 6.73
## [610,] 6.62
## [611,] 5.54
## [612,] 4.67
## [613,] 5.38
## [614,] 6.03
## [615,] 5.98
## [616,] 6.25
## [617,] 6.35
## [618,] 5.94
## [619,] 5.15
## [620,] 5.03
## [621,] 4.98
## [622,] 5.41
## [623,] 6.47
## [624,] 6.58
## [625,] 5.19
## [626,] 5.28
## [627,] 3.66
## [628,] 4.05
## [629,] 4.79
## [630,] 5.47
## [631,] 4.33
## [632,] 6.19
## [633,] 4.75
## [634,] 4.90
## [635,] 3.61
## [636,] 4.41
## [637,] 5.96
## [638,] 6.68
## [639,] 5.67
## [640,] 4.05
## [641,] 3.92
## [642,] 4.41
## [643,] 4.66
## [644,] 4.39
## [645,] 4.49
## [646,] 4.69
## [647,] 5.92
## [648,] 6.29
## [649,] 6.02
## [650,] 6.09
## [651,] 6.57
## [652,] 6.87
## [653,] 8.10
## [654,] 5.69
## [655,] 6.19
## [656,] 5.32
## [657,] 4.75
## [658,] 3.97
## [659,] 4.13
## [660,] 4.67
## [661,] 4.25
## [662,] 3.63
## [663,] 5.05
## [664,] 5.27
## [665,] 4.36
## [666,] 5.71
## [667,] 5.00
## [668,] 5.25
## [669,] 5.18
## [670,] 5.31
## [671,] 4.23
## [672,] 5.82
## [673,] 5.24
## [674,] 5.42
## [675,] 6.18
## [676,] 4.85
## [677,] 5.51
## [678,] 3.99
## [679,] 4.97
## [680,] 5.85
## [681,] 4.47
## [682,] 5.36
## [683,] 5.17
## [684,] 5.39
## [685,] 5.33
## [686,] 5.25
## [687,] 3.60
## [688,] 3.58
## [689,] 5.08
## [690,] 6.07
## [691,] 5.17
## [692,] 4.70
## [693,] 4.20
## [694,] 4.96
## [695,] 5.18
## [696,] 5.30
## [697,] 4.25
## [698,] 5.28
## [699,] 5.25
## [700,] 6.09
## [701,] 6.01
## [702,] 5.42
## [703,] 5.18
## [704,] 4.78
## [705,] 5.45
## [706,] 4.44
## [707,] 4.68
## [708,] 4.65
## [709,] 5.06
## [710,] 4.37
## [711,] 3.65
## [712,] 4.78
## [713,] 4.63
## [714,] 6.07
## [715,] 6.26
## [716,] 4.90
## [717,] 4.64
## [718,] 4.64
## [719,] 4.97
## [720,] 5.18
## [721,] 5.61
## [722,] 5.46
## [723,] 4.44
## [724,] 4.81
## [725,] 3.58
## [726,] 3.55
## [727,] 3.41
## [728,] 5.32
## [729,] 4.16
## [730,] 5.05
## [731,] 5.20
## [732,] 4.72
## [733,] 4.71
## [734,] 3.87
## [735,] 5.02
## [736,] 4.39
## [737,] 4.74
## [738,] 5.59
## [739,] 5.64
## [740,] 6.94
## [741,] 5.29
## [742,] 5.89
## [743,] 4.62
## [744,] 5.20
## [745,] 4.39
## [746,] 5.55
## [747,] 7.11
## [748,] 7.94
## [749,] 7.77
## [750,] 10.23
## [751,] 11.08
## [752,] 14.04
## [753,] 14.49
## [754,] 16.23
## [755,] 20.59
## [756,] 22.06
## [757,] 21.74
## [758,] 21.84
## [759,] 25.35
## [760,] 28.10
## [761,] 26.68
## [762,] 24.62
## [763,] 22.01
## [764,] 21.86
## [765,] 19.86
## [766,] 19.35
## [767,] 16.97
## [768,] 16.95
## [769,] 16.22
## [770,] 15.24
## [771,] 14.50
## [772,] 13.15
## [773,] 10.28
## [774,] 10.05
## [775,] 10.01
## [776,] 8.76
## [777,] 8.50
## [778,] 9.84
## [779,] 8.42
## [780,] 8.07
## [781,] 6.94
## [782,] 4.67
## [783,] 4.74
## [784,] 5.85
## [785,] 5.25
## [786,] 4.77
## [787,] 4.95
## [788,] 4.60
## [789,] 4.46
## [790,] 4.83
## [791,] 5.29
## [792,] 6.68
## [793,] 7.21
## [794,] 6.95
## [795,] 7.57
## [796,] 8.54
## [797,] 7.13
## [798,] 5.00
## [799,] 5.91
## [800,] 6.18
## [801,] 6.12
## [802,] 7.10
## [803,] 7.25
## [804,] 5.81
## [805,] 5.47
## [806,] 4.36
## [807,] 4.38
## [808,] 5.47
## [809,] 4.93
## [810,] 3.41
## [811,] 3.93
## [812,] 3.43
## [813,] 4.53
## [814,] 2.97
## [815,] 4.06
## [816,] 4.27
## [817,] 3.25
## [818,] 3.56
## [819,] 4.80
## [820,] 4.88
## [821,] 4.03
## [822,] 5.00
## [823,] 4.75
## [824,] 5.57
## [825,] 6.52
## [826,] 6.37
## [827,] 4.98
## [828,] 3.48
## [829,] 2.82
## [830,] 2.71
## [831,] 4.16
## [832,] 6.75
## [833,] 6.24
## [834,] 6.48
## [835,] 6.80
## [836,] 6.08
## [837,] 7.36
## [838,] 5.43
## [839,] 4.82
## [840,] 6.10
## [841,] 4.87
## [842,] 6.11
itr_points3=c(755:764)
new4=new3[-itr_points3,]
cus4=mult.chart(type = "mcusum", x=new4[,-1], alpha = 0.0027, k = 2, h = 19.97, phase = 1, method = "sw")

cus4$t2
## [,1]
## [1,] 3.06
## [2,] 4.17
## [3,] 4.38
## [4,] 4.32
## [5,] 3.78
## [6,] 3.97
## [7,] 5.04
## [8,] 6.47
## [9,] 7.15
## [10,] 6.50
## [11,] 5.27
## [12,] 4.84
## [13,] 3.93
## [14,] 3.55
## [15,] 4.59
## [16,] 3.61
## [17,] 3.13
## [18,] 4.15
## [19,] 5.78
## [20,] 5.05
## [21,] 5.00
## [22,] 6.27
## [23,] 5.08
## [24,] 4.97
## [25,] 5.03
## [26,] 8.30
## [27,] 7.78
## [28,] 7.14
## [29,] 5.63
## [30,] 5.64
## [31,] 6.67
## [32,] 5.41
## [33,] 6.32
## [34,] 6.89
## [35,] 6.65
## [36,] 5.87
## [37,] 6.30
## [38,] 5.76
## [39,] 6.55
## [40,] 6.14
## [41,] 6.64
## [42,] 6.71
## [43,] 6.52
## [44,] 6.74
## [45,] 6.51
## [46,] 4.56
## [47,] 5.41
## [48,] 6.44
## [49,] 5.14
## [50,] 4.79
## [51,] 4.50
## [52,] 4.25
## [53,] 5.59
## [54,] 5.11
## [55,] 4.71
## [56,] 5.54
## [57,] 7.51
## [58,] 8.24
## [59,] 7.06
## [60,] 6.75
## [61,] 6.27
## [62,] 5.72
## [63,] 6.00
## [64,] 5.78
## [65,] 5.74
## [66,] 4.85
## [67,] 5.15
## [68,] 5.97
## [69,] 4.71
## [70,] 2.99
## [71,] 3.07
## [72,] 4.63
## [73,] 6.57
## [74,] 7.20
## [75,] 5.51
## [76,] 4.12
## [77,] 5.54
## [78,] 4.88
## [79,] 6.27
## [80,] 5.60
## [81,] 4.35
## [82,] 5.15
## [83,] 4.44
## [84,] 5.25
## [85,] 5.64
## [86,] 5.44
## [87,] 5.75
## [88,] 5.76
## [89,] 4.49
## [90,] 4.58
## [91,] 3.13
## [92,] 3.23
## [93,] 3.39
## [94,] 4.57
## [95,] 4.18
## [96,] 5.23
## [97,] 4.72
## [98,] 4.01
## [99,] 4.25
## [100,] 4.52
## [101,] 4.68
## [102,] 5.80
## [103,] 5.48
## [104,] 6.26
## [105,] 6.38
## [106,] 5.66
## [107,] 4.21
## [108,] 5.22
## [109,] 6.14
## [110,] 6.31
## [111,] 5.06
## [112,] 5.48
## [113,] 5.73
## [114,] 5.76
## [115,] 6.02
## [116,] 5.72
## [117,] 5.00
## [118,] 6.00
## [119,] 4.96
## [120,] 4.44
## [121,] 4.87
## [122,] 5.66
## [123,] 4.96
## [124,] 4.58
## [125,] 5.95
## [126,] 4.74
## [127,] 3.21
## [128,] 3.97
## [129,] 5.18
## [130,] 5.78
## [131,] 5.72
## [132,] 4.84
## [133,] 4.71
## [134,] 6.72
## [135,] 7.52
## [136,] 7.27
## [137,] 7.77
## [138,] 8.44
## [139,] 7.59
## [140,] 7.54
## [141,] 7.26
## [142,] 6.12
## [143,] 6.05
## [144,] 6.28
## [145,] 5.85
## [146,] 4.56
## [147,] 6.63
## [148,] 6.51
## [149,] 5.44
## [150,] 4.54
## [151,] 4.03
## [152,] 4.75
## [153,] 5.06
## [154,] 5.84
## [155,] 6.68
## [156,] 6.92
## [157,] 6.72
## [158,] 6.69
## [159,] 6.67
## [160,] 7.74
## [161,] 7.26
## [162,] 8.07
## [163,] 7.11
## [164,] 7.85
## [165,] 6.47
## [166,] 6.80
## [167,] 7.67
## [168,] 7.85
## [169,] 8.10
## [170,] 8.93
## [171,] 8.57
## [172,] 8.02
## [173,] 8.52
## [174,] 9.95
## [175,] 10.13
## [176,] 11.13
## [177,] 10.37
## [178,] 11.62
## [179,] 11.73
## [180,] 11.28
## [181,] 11.89
## [182,] 11.37
## [183,] 12.10
## [184,] 12.27
## [185,] 12.94
## [186,] 12.23
## [187,] 11.79
## [188,] 12.59
## [189,] 11.67
## [190,] 11.95
## [191,] 12.76
## [192,] 13.21
## [193,] 14.16
## [194,] 14.37
## [195,] 13.34
## [196,] 13.60
## [197,] 13.52
## [198,] 13.45
## [199,] 13.82
## [200,] 13.33
## [201,] 13.57
## [202,] 13.40
## [203,] 13.62
## [204,] 13.28
## [205,] 13.42
## [206,] 12.44
## [207,] 11.78
## [208,] 12.25
## [209,] 12.05
## [210,] 12.64
## [211,] 13.47
## [212,] 12.62
## [213,] 12.61
## [214,] 13.14
## [215,] 12.85
## [216,] 12.99
## [217,] 14.01
## [218,] 13.44
## [219,] 14.77
## [220,] 14.13
## [221,] 12.36
## [222,] 10.66
## [223,] 10.11
## [224,] 10.20
## [225,] 10.01
## [226,] 9.42
## [227,] 8.71
## [228,] 7.31
## [229,] 7.39
## [230,] 7.86
## [231,] 9.04
## [232,] 8.90
## [233,] 9.54
## [234,] 9.26
## [235,] 9.09
## [236,] 9.14
## [237,] 9.25
## [238,] 9.42
## [239,] 9.91
## [240,] 9.39
## [241,] 9.23
## [242,] 10.42
## [243,] 10.06
## [244,] 11.01
## [245,] 10.65
## [246,] 11.65
## [247,] 11.05
## [248,] 11.75
## [249,] 9.83
## [250,] 10.69
## [251,] 10.69
## [252,] 10.62
## [253,] 11.06
## [254,] 11.53
## [255,] 11.88
## [256,] 12.99
## [257,] 12.68
## [258,] 12.30
## [259,] 12.01
## [260,] 12.82
## [261,] 12.99
## [262,] 13.17
## [263,] 13.17
## [264,] 11.86
## [265,] 12.20
## [266,] 10.34
## [267,] 9.46
## [268,] 9.47
## [269,] 10.52
## [270,] 10.05
## [271,] 9.72
## [272,] 8.81
## [273,] 8.05
## [274,] 7.22
## [275,] 7.37
## [276,] 6.57
## [277,] 6.27
## [278,] 6.61
## [279,] 7.22
## [280,] 7.19
## [281,] 7.58
## [282,] 8.78
## [283,] 8.59
## [284,] 6.82
## [285,] 7.17
## [286,] 6.65
## [287,] 7.75
## [288,] 6.64
## [289,] 7.29
## [290,] 6.10
## [291,] 6.53
## [292,] 6.82
## [293,] 7.48
## [294,] 8.10
## [295,] 8.32
## [296,] 8.42
## [297,] 8.70
## [298,] 8.47
## [299,] 8.97
## [300,] 11.48
## [301,] 11.59
## [302,] 11.14
## [303,] 11.72
## [304,] 11.87
## [305,] 11.73
## [306,] 11.84
## [307,] 12.73
## [308,] 13.20
## [309,] 13.46
## [310,] 12.45
## [311,] 13.54
## [312,] 13.44
## [313,] 12.88
## [314,] 12.08
## [315,] 11.52
## [316,] 11.47
## [317,] 11.44
## [318,] 11.56
## [319,] 13.16
## [320,] 12.07
## [321,] 12.34
## [322,] 12.31
## [323,] 11.48
## [324,] 11.73
## [325,] 11.06
## [326,] 11.24
## [327,] 10.89
## [328,] 12.81
## [329,] 13.37
## [330,] 13.61
## [331,] 13.68
## [332,] 13.71
## [333,] 13.61
## [334,] 14.91
## [335,] 15.08
## [336,] 14.13
## [337,] 14.14
## [338,] 13.72
## [339,] 14.61
## [340,] 14.00
## [341,] 15.71
## [342,] 13.84
## [343,] 14.08
## [344,] 13.43
## [345,] 13.03
## [346,] 13.53
## [347,] 14.00
## [348,] 12.94
## [349,] 12.40
## [350,] 11.25
## [351,] 9.58
## [352,] 6.24
## [353,] 5.49
## [354,] 5.03
## [355,] 4.91
## [356,] 2.92
## [357,] 2.37
## [358,] 4.69
## [359,] 3.53
## [360,] 3.88
## [361,] 3.76
## [362,] 4.02
## [363,] 3.20
## [364,] 5.27
## [365,] 5.52
## [366,] 5.49
## [367,] 6.97
## [368,] 5.64
## [369,] 3.47
## [370,] 6.25
## [371,] 6.28
## [372,] 4.87
## [373,] 4.54
## [374,] 3.26
## [375,] 6.00
## [376,] 5.19
## [377,] 5.07
## [378,] 4.50
## [379,] 4.34
## [380,] 3.89
## [381,] 4.63
## [382,] 5.72
## [383,] 5.47
## [384,] 6.48
## [385,] 5.96
## [386,] 5.96
## [387,] 5.89
## [388,] 6.11
## [389,] 5.22
## [390,] 6.23
## [391,] 5.35
## [392,] 4.10
## [393,] 5.58
## [394,] 6.61
## [395,] 5.25
## [396,] 6.59
## [397,] 5.47
## [398,] 4.84
## [399,] 3.65
## [400,] 5.17
## [401,] 4.66
## [402,] 4.26
## [403,] 5.60
## [404,] 5.97
## [405,] 5.10
## [406,] 5.37
## [407,] 6.28
## [408,] 6.08
## [409,] 6.34
## [410,] 5.24
## [411,] 5.89
## [412,] 5.95
## [413,] 4.88
## [414,] 5.02
## [415,] 5.16
## [416,] 4.41
## [417,] 4.63
## [418,] 2.98
## [419,] 4.31
## [420,] 2.86
## [421,] 4.41
## [422,] 2.95
## [423,] 4.82
## [424,] 5.46
## [425,] 5.70
## [426,] 5.43
## [427,] 5.15
## [428,] 4.70
## [429,] 5.08
## [430,] 4.27
## [431,] 2.99
## [432,] 3.75
## [433,] 2.98
## [434,] 4.56
## [435,] 5.06
## [436,] 5.07
## [437,] 3.98
## [438,] 3.39
## [439,] 4.52
## [440,] 4.14
## [441,] 4.93
## [442,] 4.13
## [443,] 4.22
## [444,] 4.28
## [445,] 3.98
## [446,] 5.06
## [447,] 5.55
## [448,] 5.16
## [449,] 6.74
## [450,] 8.17
## [451,] 8.02
## [452,] 7.17
## [453,] 5.17
## [454,] 4.75
## [455,] 4.37
## [456,] 4.90
## [457,] 4.49
## [458,] 4.34
## [459,] 5.26
## [460,] 6.10
## [461,] 5.77
## [462,] 4.55
## [463,] 4.41
## [464,] 4.85
## [465,] 3.50
## [466,] 3.68
## [467,] 2.87
## [468,] 3.57
## [469,] 3.48
## [470,] 2.56
## [471,] 3.25
## [472,] 4.08
## [473,] 3.72
## [474,] 4.83
## [475,] 4.22
## [476,] 4.29
## [477,] 3.70
## [478,] 5.45
## [479,] 4.44
## [480,] 2.98
## [481,] 3.72
## [482,] 3.79
## [483,] 4.89
## [484,] 4.39
## [485,] 4.64
## [486,] 4.05
## [487,] 4.07
## [488,] 4.19
## [489,] 5.05
## [490,] 5.22
## [491,] 3.06
## [492,] 3.64
## [493,] 4.58
## [494,] 5.18
## [495,] 4.89
## [496,] 4.58
## [497,] 4.33
## [498,] 5.11
## [499,] 4.88
## [500,] 5.77
## [501,] 5.95
## [502,] 5.84
## [503,] 4.83
## [504,] 4.11
## [505,] 4.86
## [506,] 6.56
## [507,] 5.95
## [508,] 7.16
## [509,] 5.36
## [510,] 5.21
## [511,] 7.04
## [512,] 6.77
## [513,] 5.40
## [514,] 4.78
## [515,] 6.44
## [516,] 4.67
## [517,] 5.30
## [518,] 4.62
## [519,] 5.04
## [520,] 4.94
## [521,] 4.83
## [522,] 4.19
## [523,] 4.83
## [524,] 5.10
## [525,] 5.49
## [526,] 5.83
## [527,] 4.44
## [528,] 4.09
## [529,] 4.26
## [530,] 3.53
## [531,] 4.65
## [532,] 5.24
## [533,] 5.09
## [534,] 5.01
## [535,] 4.42
## [536,] 4.32
## [537,] 5.29
## [538,] 5.74
## [539,] 5.61
## [540,] 6.67
## [541,] 5.13
## [542,] 3.69
## [543,] 4.13
## [544,] 3.96
## [545,] 5.54
## [546,] 5.65
## [547,] 4.54
## [548,] 4.85
## [549,] 5.67
## [550,] 4.84
## [551,] 4.78
## [552,] 5.34
## [553,] 5.97
## [554,] 5.84
## [555,] 5.38
## [556,] 5.98
## [557,] 7.08
## [558,] 7.19
## [559,] 7.86
## [560,] 5.85
## [561,] 5.50
## [562,] 5.68
## [563,] 6.96
## [564,] 5.79
## [565,] 6.08
## [566,] 5.37
## [567,] 5.77
## [568,] 5.39
## [569,] 5.29
## [570,] 5.27
## [571,] 5.96
## [572,] 6.30
## [573,] 5.83
## [574,] 5.63
## [575,] 5.26
## [576,] 6.41
## [577,] 6.19
## [578,] 7.05
## [579,] 5.62
## [580,] 4.90
## [581,] 3.43
## [582,] 4.14
## [583,] 3.03
## [584,] 3.62
## [585,] 4.55
## [586,] 5.08
## [587,] 4.00
## [588,] 3.33
## [589,] 4.22
## [590,] 3.06
## [591,] 3.91
## [592,] 4.98
## [593,] 5.85
## [594,] 4.04
## [595,] 4.20
## [596,] 5.32
## [597,] 6.58
## [598,] 6.61
## [599,] 5.76
## [600,] 5.86
## [601,] 6.38
## [602,] 5.43
## [603,] 6.38
## [604,] 7.03
## [605,] 7.64
## [606,] 7.07
## [607,] 7.17
## [608,] 7.66
## [609,] 6.74
## [610,] 6.67
## [611,] 5.57
## [612,] 4.67
## [613,] 5.38
## [614,] 6.08
## [615,] 6.04
## [616,] 6.39
## [617,] 6.46
## [618,] 6.01
## [619,] 5.23
## [620,] 5.09
## [621,] 5.01
## [622,] 5.41
## [623,] 6.54
## [624,] 6.57
## [625,] 5.20
## [626,] 5.27
## [627,] 3.64
## [628,] 4.05
## [629,] 4.79
## [630,] 5.48
## [631,] 4.32
## [632,] 6.17
## [633,] 4.72
## [634,] 4.92
## [635,] 3.60
## [636,] 4.38
## [637,] 5.92
## [638,] 6.62
## [639,] 5.64
## [640,] 4.04
## [641,] 3.93
## [642,] 4.46
## [643,] 4.74
## [644,] 4.44
## [645,] 4.50
## [646,] 4.65
## [647,] 5.97
## [648,] 6.37
## [649,] 6.10
## [650,] 6.12
## [651,] 6.60
## [652,] 6.87
## [653,] 8.11
## [654,] 5.72
## [655,] 6.21
## [656,] 5.36
## [657,] 4.78
## [658,] 4.01
## [659,] 4.13
## [660,] 4.70
## [661,] 4.26
## [662,] 3.65
## [663,] 5.06
## [664,] 5.29
## [665,] 4.36
## [666,] 5.69
## [667,] 4.96
## [668,] 5.20
## [669,] 5.12
## [670,] 5.26
## [671,] 4.20
## [672,] 5.82
## [673,] 5.22
## [674,] 5.41
## [675,] 6.16
## [676,] 4.84
## [677,] 5.49
## [678,] 3.97
## [679,] 4.92
## [680,] 5.81
## [681,] 4.42
## [682,] 5.39
## [683,] 5.22
## [684,] 5.48
## [685,] 5.50
## [686,] 5.38
## [687,] 3.68
## [688,] 3.70
## [689,] 5.18
## [690,] 6.10
## [691,] 5.24
## [692,] 4.78
## [693,] 4.26
## [694,] 5.07
## [695,] 5.31
## [696,] 5.35
## [697,] 4.26
## [698,] 5.27
## [699,] 5.25
## [700,] 6.13
## [701,] 6.04
## [702,] 5.44
## [703,] 5.18
## [704,] 4.80
## [705,] 5.44
## [706,] 4.44
## [707,] 4.67
## [708,] 4.66
## [709,] 5.06
## [710,] 4.38
## [711,] 3.67
## [712,] 4.82
## [713,] 4.65
## [714,] 6.09
## [715,] 6.27
## [716,] 4.94
## [717,] 4.63
## [718,] 4.65
## [719,] 4.97
## [720,] 5.21
## [721,] 5.63
## [722,] 5.51
## [723,] 4.47
## [724,] 4.81
## [725,] 3.56
## [726,] 3.56
## [727,] 3.41
## [728,] 5.31
## [729,] 4.21
## [730,] 5.11
## [731,] 5.19
## [732,] 4.71
## [733,] 4.69
## [734,] 3.84
## [735,] 5.00
## [736,] 4.37
## [737,] 4.78
## [738,] 5.59
## [739,] 5.65
## [740,] 6.94
## [741,] 5.26
## [742,] 5.85
## [743,] 4.59
## [744,] 5.15
## [745,] 4.40
## [746,] 5.54
## [747,] 7.13
## [748,] 7.92
## [749,] 7.98
## [750,] 10.80
## [751,] 11.79
## [752,] 15.21
## [753,] 15.83
## [754,] 17.88
## [755,] 15.19
## [756,] 14.85
## [757,] 12.21
## [758,] 11.50
## [759,] 11.26
## [760,] 10.58
## [761,] 10.28
## [762,] 8.43
## [763,] 5.80
## [764,] 6.16
## [765,] 6.72
## [766,] 6.13
## [767,] 6.16
## [768,] 8.10
## [769,] 6.92
## [770,] 6.99
## [771,] 5.97
## [772,] 4.00
## [773,] 4.25
## [774,] 5.54
## [775,] 5.03
## [776,] 4.60
## [777,] 4.91
## [778,] 4.51
## [779,] 4.41
## [780,] 4.90
## [781,] 5.39
## [782,] 6.71
## [783,] 7.25
## [784,] 6.99
## [785,] 7.58
## [786,] 8.54
## [787,] 7.11
## [788,] 5.00
## [789,] 5.92
## [790,] 6.21
## [791,] 6.16
## [792,] 7.14
## [793,] 7.34
## [794,] 5.91
## [795,] 5.53
## [796,] 4.48
## [797,] 4.52
## [798,] 5.54
## [799,] 4.98
## [800,] 3.46
## [801,] 3.93
## [802,] 3.44
## [803,] 4.56
## [804,] 2.98
## [805,] 4.09
## [806,] 4.27
## [807,] 3.26
## [808,] 3.61
## [809,] 4.80
## [810,] 4.90
## [811,] 4.09
## [812,] 5.02
## [813,] 4.74
## [814,] 5.57
## [815,] 6.60
## [816,] 6.38
## [817,] 4.94
## [818,] 3.49
## [819,] 2.83
## [820,] 2.71
## [821,] 4.28
## [822,] 6.78
## [823,] 6.24
## [824,] 6.51
## [825,] 6.86
## [826,] 6.16
## [827,] 7.53
## [828,] 5.63
## [829,] 4.97
## [830,] 6.22
## [831,] 4.95
## [832,] 6.17
#checking in t2 chart
Chart3=mqcc(new4[,-1], type = c("T2"), center=NULL, cov=NULL,
limits = TRUE, pred.limits = FALSE,
confidence.level = .9973, rules = shewhart.rules,
plot = TRUE)

violation2=Chart3$violations$beyond.limits
new5=new4[-violation2,]
Chart4=mqcc(new5[,-1], type = c("T2"), center=NULL, cov=NULL,
limits = TRUE, pred.limits = FALSE,
confidence.level = .9973, rules = shewhart.rules,
plot = TRUE)

#checking in cusum chart
cus5=mult.chart(type = "mcusum", x=new5[,-1], alpha = 0.0027, k = 2, h = 19.97, phase = 1, method = "sw")

cus5$t2
## [,1]
## [1,] 3.06
## [2,] 4.16
## [3,] 4.38
## [4,] 4.31
## [5,] 3.78
## [6,] 3.97
## [7,] 5.06
## [8,] 6.47
## [9,] 7.17
## [10,] 6.50
## [11,] 5.37
## [12,] 4.87
## [13,] 3.95
## [14,] 3.63
## [15,] 4.63
## [16,] 3.70
## [17,] 3.18
## [18,] 4.25
## [19,] 5.83
## [20,] 5.16
## [21,] 5.10
## [22,] 6.35
## [23,] 5.12
## [24,] 4.99
## [25,] 5.06
## [26,] 8.34
## [27,] 7.81
## [28,] 7.16
## [29,] 5.67
## [30,] 5.67
## [31,] 6.71
## [32,] 5.47
## [33,] 6.40
## [34,] 6.97
## [35,] 6.70
## [36,] 5.90
## [37,] 6.34
## [38,] 5.78
## [39,] 6.58
## [40,] 6.22
## [41,] 6.72
## [42,] 6.78
## [43,] 6.62
## [44,] 6.88
## [45,] 6.63
## [46,] 4.66
## [47,] 5.47
## [48,] 6.52
## [49,] 5.21
## [50,] 4.80
## [51,] 4.54
## [52,] 4.29
## [53,] 5.63
## [54,] 5.11
## [55,] 4.70
## [56,] 5.54
## [57,] 7.52
## [58,] 8.26
## [59,] 7.11
## [60,] 6.77
## [61,] 6.28
## [62,] 5.72
## [63,] 5.99
## [64,] 5.78
## [65,] 5.76
## [66,] 4.91
## [67,] 5.21
## [68,] 5.99
## [69,] 4.74
## [70,] 3.05
## [71,] 3.08
## [72,] 4.62
## [73,] 6.57
## [74,] 7.18
## [75,] 5.50
## [76,] 4.14
## [77,] 5.64
## [78,] 4.90
## [79,] 6.28
## [80,] 5.60
## [81,] 4.41
## [82,] 5.18
## [83,] 4.45
## [84,] 5.28
## [85,] 5.67
## [86,] 5.47
## [87,] 5.76
## [88,] 5.77
## [89,] 4.53
## [90,] 4.61
## [91,] 3.17
## [92,] 3.24
## [93,] 3.39
## [94,] 4.59
## [95,] 4.22
## [96,] 5.27
## [97,] 4.78
## [98,] 4.05
## [99,] 4.25
## [100,] 4.53
## [101,] 4.67
## [102,] 5.78
## [103,] 5.46
## [104,] 6.29
## [105,] 6.40
## [106,] 5.69
## [107,] 4.23
## [108,] 5.24
## [109,] 6.16
## [110,] 6.35
## [111,] 5.10
## [112,] 5.56
## [113,] 5.84
## [114,] 5.87
## [115,] 6.10
## [116,] 5.80
## [117,] 5.09
## [118,] 6.10
## [119,] 5.01
## [120,] 4.52
## [121,] 4.94
## [122,] 5.71
## [123,] 4.99
## [124,] 4.64
## [125,] 5.98
## [126,] 4.77
## [127,] 3.23
## [128,] 4.05
## [129,] 5.24
## [130,] 5.83
## [131,] 5.75
## [132,] 4.85
## [133,] 4.71
## [134,] 6.72
## [135,] 7.53
## [136,] 7.26
## [137,] 7.76
## [138,] 8.43
## [139,] 7.58
## [140,] 7.52
## [141,] 7.26
## [142,] 6.18
## [143,] 6.07
## [144,] 6.32
## [145,] 5.84
## [146,] 4.54
## [147,] 6.64
## [148,] 6.50
## [149,] 5.45
## [150,] 4.55
## [151,] 4.05
## [152,] 4.75
## [153,] 5.07
## [154,] 5.85
## [155,] 6.72
## [156,] 6.98
## [157,] 6.74
## [158,] 6.72
## [159,] 6.71
## [160,] 7.74
## [161,] 7.25
## [162,] 8.06
## [163,] 7.11
## [164,] 7.89
## [165,] 6.52
## [166,] 6.84
## [167,] 7.70
## [168,] 7.86
## [169,] 8.14
## [170,] 8.94
## [171,] 8.58
## [172,] 8.02
## [173,] 8.51
## [174,] 9.96
## [175,] 10.13
## [176,] 11.13
## [177,] 10.39
## [178,] 11.64
## [179,] 11.77
## [180,] 11.34
## [181,] 11.93
## [182,] 11.42
## [183,] 12.13
## [184,] 12.29
## [185,] 12.99
## [186,] 12.26
## [187,] 11.84
## [188,] 12.65
## [189,] 11.72
## [190,] 11.99
## [191,] 12.79
## [192,] 13.21
## [193,] 14.18
## [194,] 14.41
## [195,] 13.38
## [196,] 13.64
## [197,] 13.56
## [198,] 13.49
## [199,] 13.88
## [200,] 13.36
## [201,] 13.61
## [202,] 13.44
## [203,] 13.64
## [204,] 13.33
## [205,] 13.45
## [206,] 12.45
## [207,] 11.82
## [208,] 12.25
## [209,] 12.07
## [210,] 12.66
## [211,] 13.48
## [212,] 12.64
## [213,] 12.65
## [214,] 13.16
## [215,] 12.88
## [216,] 13.05
## [217,] 14.07
## [218,] 13.49
## [219,] 14.84
## [220,] 14.18
## [221,] 12.37
## [222,] 10.67
## [223,] 10.15
## [224,] 10.22
## [225,] 10.04
## [226,] 9.46
## [227,] 8.77
## [228,] 7.36
## [229,] 7.44
## [230,] 7.91
## [231,] 9.11
## [232,] 8.94
## [233,] 9.60
## [234,] 9.34
## [235,] 9.15
## [236,] 9.20
## [237,] 9.30
## [238,] 9.49
## [239,] 9.96
## [240,] 9.41
## [241,] 9.27
## [242,] 10.45
## [243,] 10.07
## [244,] 11.02
## [245,] 10.66
## [246,] 11.69
## [247,] 11.07
## [248,] 11.79
## [249,] 9.86
## [250,] 10.73
## [251,] 10.70
## [252,] 10.62
## [253,] 11.08
## [254,] 11.55
## [255,] 11.88
## [256,] 13.02
## [257,] 12.68
## [258,] 12.30
## [259,] 12.00
## [260,] 12.79
## [261,] 12.98
## [262,] 13.15
## [263,] 13.14
## [264,] 11.83
## [265,] 12.20
## [266,] 10.35
## [267,] 9.43
## [268,] 9.45
## [269,] 10.53
## [270,] 10.12
## [271,] 9.81
## [272,] 8.90
## [273,] 8.14
## [274,] 7.31
## [275,] 7.42
## [276,] 6.62
## [277,] 6.28
## [278,] 6.63
## [279,] 7.27
## [280,] 7.29
## [281,] 7.69
## [282,] 8.87
## [283,] 8.65
## [284,] 6.88
## [285,] 7.22
## [286,] 6.68
## [287,] 7.78
## [288,] 6.67
## [289,] 7.31
## [290,] 6.11
## [291,] 6.54
## [292,] 6.85
## [293,] 7.50
## [294,] 8.12
## [295,] 8.37
## [296,] 8.46
## [297,] 8.78
## [298,] 8.55
## [299,] 9.05
## [300,] 11.57
## [301,] 11.68
## [302,] 11.21
## [303,] 11.76
## [304,] 11.89
## [305,] 11.75
## [306,] 11.87
## [307,] 12.75
## [308,] 13.24
## [309,] 13.51
## [310,] 12.48
## [311,] 13.53
## [312,] 13.44
## [313,] 12.87
## [314,] 12.06
## [315,] 11.49
## [316,] 11.46
## [317,] 11.42
## [318,] 11.56
## [319,] 13.17
## [320,] 12.08
## [321,] 12.37
## [322,] 12.34
## [323,] 11.48
## [324,] 11.72
## [325,] 11.04
## [326,] 11.21
## [327,] 10.87
## [328,] 12.78
## [329,] 13.35
## [330,] 13.61
## [331,] 13.68
## [332,] 13.72
## [333,] 13.64
## [334,] 14.91
## [335,] 15.09
## [336,] 14.13
## [337,] 14.13
## [338,] 13.71
## [339,] 14.56
## [340,] 13.97
## [341,] 15.67
## [342,] 13.81
## [343,] 14.05
## [344,] 13.38
## [345,] 12.98
## [346,] 13.48
## [347,] 13.93
## [348,] 12.89
## [349,] 12.36
## [350,] 11.20
## [351,] 9.53
## [352,] 6.21
## [353,] 5.47
## [354,] 5.02
## [355,] 4.90
## [356,] 2.90
## [357,] 2.35
## [358,] 4.71
## [359,] 3.60
## [360,] 3.96
## [361,] 3.80
## [362,] 4.08
## [363,] 3.24
## [364,] 5.30
## [365,] 5.57
## [366,] 5.56
## [367,] 7.06
## [368,] 5.76
## [369,] 3.49
## [370,] 4.94
## [371,] 3.97
## [372,] 3.07
## [373,] 2.67
## [374,] 5.19
## [375,] 4.59
## [376,] 4.76
## [377,] 4.29
## [378,] 4.27
## [379,] 3.78
## [380,] 4.63
## [381,] 5.75
## [382,] 5.51
## [383,] 6.53
## [384,] 5.98
## [385,] 5.96
## [386,] 5.93
## [387,] 6.12
## [388,] 5.25
## [389,] 6.25
## [390,] 5.36
## [391,] 4.09
## [392,] 5.59
## [393,] 6.60
## [394,] 5.27
## [395,] 6.60
## [396,] 5.47
## [397,] 4.85
## [398,] 3.64
## [399,] 5.18
## [400,] 4.65
## [401,] 4.25
## [402,] 5.60
## [403,] 5.98
## [404,] 5.11
## [405,] 5.38
## [406,] 6.28
## [407,] 6.09
## [408,] 6.35
## [409,] 5.24
## [410,] 5.91
## [411,] 5.95
## [412,] 4.88
## [413,] 5.02
## [414,] 5.15
## [415,] 4.40
## [416,] 4.64
## [417,] 2.97
## [418,] 4.31
## [419,] 2.92
## [420,] 4.45
## [421,] 3.01
## [422,] 4.87
## [423,] 5.50
## [424,] 5.71
## [425,] 5.50
## [426,] 5.16
## [427,] 4.70
## [428,] 5.07
## [429,] 4.33
## [430,] 3.00
## [431,] 3.74
## [432,] 2.97
## [433,] 4.55
## [434,] 5.05
## [435,] 5.08
## [436,] 3.99
## [437,] 3.39
## [438,] 4.54
## [439,] 4.22
## [440,] 4.97
## [441,] 4.14
## [442,] 4.28
## [443,] 4.32
## [444,] 4.01
## [445,] 5.14
## [446,] 5.61
## [447,] 5.21
## [448,] 6.78
## [449,] 8.21
## [450,] 8.05
## [451,] 7.19
## [452,] 5.19
## [453,] 4.77
## [454,] 4.38
## [455,] 4.90
## [456,] 4.48
## [457,] 4.35
## [458,] 5.27
## [459,] 6.13
## [460,] 5.77
## [461,] 4.56
## [462,] 4.45
## [463,] 4.86
## [464,] 3.50
## [465,] 3.69
## [466,] 2.91
## [467,] 3.59
## [468,] 3.50
## [469,] 2.57
## [470,] 3.25
## [471,] 4.09
## [472,] 3.72
## [473,] 4.86
## [474,] 4.26
## [475,] 4.38
## [476,] 3.80
## [477,] 5.49
## [478,] 4.45
## [479,] 2.99
## [480,] 3.76
## [481,] 3.81
## [482,] 4.91
## [483,] 4.43
## [484,] 4.65
## [485,] 4.06
## [486,] 4.07
## [487,] 4.18
## [488,] 5.04
## [489,] 5.28
## [490,] 3.15
## [491,] 3.69
## [492,] 4.63
## [493,] 5.21
## [494,] 4.90
## [495,] 4.59
## [496,] 4.33
## [497,] 5.12
## [498,] 4.88
## [499,] 5.77
## [500,] 5.95
## [501,] 5.84
## [502,] 4.91
## [503,] 4.18
## [504,] 5.03
## [505,] 6.71
## [506,] 6.04
## [507,] 7.22
## [508,] 5.41
## [509,] 5.23
## [510,] 7.05
## [511,] 6.78
## [512,] 5.42
## [513,] 4.78
## [514,] 6.43
## [515,] 4.68
## [516,] 5.30
## [517,] 4.62
## [518,] 5.05
## [519,] 4.95
## [520,] 4.85
## [521,] 4.22
## [522,] 4.91
## [523,] 5.15
## [524,] 5.59
## [525,] 5.95
## [526,] 4.53
## [527,] 4.13
## [528,] 4.34
## [529,] 3.59
## [530,] 4.71
## [531,] 5.27
## [532,] 5.15
## [533,] 5.04
## [534,] 4.42
## [535,] 4.35
## [536,] 5.32
## [537,] 5.77
## [538,] 5.63
## [539,] 6.70
## [540,] 5.17
## [541,] 3.75
## [542,] 4.17
## [543,] 4.00
## [544,] 5.58
## [545,] 5.69
## [546,] 4.55
## [547,] 4.85
## [548,] 5.65
## [549,] 4.86
## [550,] 4.77
## [551,] 5.33
## [552,] 5.99
## [553,] 5.90
## [554,] 5.41
## [555,] 5.99
## [556,] 7.08
## [557,] 7.19
## [558,] 7.89
## [559,] 5.89
## [560,] 5.58
## [561,] 5.78
## [562,] 7.06
## [563,] 5.85
## [564,] 6.14
## [565,] 5.41
## [566,] 5.79
## [567,] 5.39
## [568,] 5.29
## [569,] 5.28
## [570,] 5.96
## [571,] 6.28
## [572,] 5.83
## [573,] 5.62
## [574,] 5.27
## [575,] 6.45
## [576,] 6.23
## [577,] 7.07
## [578,] 5.61
## [579,] 4.90
## [580,] 3.43
## [581,] 4.15
## [582,] 3.10
## [583,] 3.63
## [584,] 4.58
## [585,] 5.15
## [586,] 4.06
## [587,] 3.35
## [588,] 4.26
## [589,] 3.08
## [590,] 3.95
## [591,] 5.01
## [592,] 5.87
## [593,] 4.05
## [594,] 4.24
## [595,] 5.36
## [596,] 6.62
## [597,] 6.64
## [598,] 5.80
## [599,] 5.96
## [600,] 6.44
## [601,] 5.47
## [602,] 6.45
## [603,] 7.08
## [604,] 7.72
## [605,] 7.15
## [606,] 7.24
## [607,] 7.74
## [608,] 6.83
## [609,] 6.76
## [610,] 5.64
## [611,] 4.71
## [612,] 5.42
## [613,] 6.11
## [614,] 6.05
## [615,] 6.44
## [616,] 6.49
## [617,] 6.01
## [618,] 5.23
## [619,] 5.08
## [620,] 5.02
## [621,] 5.46
## [622,] 6.63
## [623,] 6.60
## [624,] 5.23
## [625,] 5.27
## [626,] 3.65
## [627,] 4.07
## [628,] 4.80
## [629,] 5.47
## [630,] 4.31
## [631,] 6.17
## [632,] 4.72
## [633,] 4.93
## [634,] 3.62
## [635,] 4.38
## [636,] 5.93
## [637,] 6.62
## [638,] 5.64
## [639,] 4.04
## [640,] 3.93
## [641,] 4.47
## [642,] 4.76
## [643,] 4.44
## [644,] 4.50
## [645,] 4.65
## [646,] 5.98
## [647,] 6.42
## [648,] 6.16
## [649,] 6.15
## [650,] 6.65
## [651,] 6.92
## [652,] 8.30
## [653,] 5.82
## [654,] 6.27
## [655,] 5.41
## [656,] 4.84
## [657,] 4.05
## [658,] 4.14
## [659,] 4.75
## [660,] 4.32
## [661,] 3.67
## [662,] 5.07
## [663,] 5.30
## [664,] 4.36
## [665,] 5.69
## [666,] 4.95
## [667,] 5.21
## [668,] 5.11
## [669,] 5.27
## [670,] 4.19
## [671,] 5.83
## [672,] 5.23
## [673,] 5.41
## [674,] 6.14
## [675,] 4.84
## [676,] 5.51
## [677,] 3.97
## [678,] 4.92
## [679,] 5.83
## [680,] 4.42
## [681,] 5.41
## [682,] 5.25
## [683,] 5.55
## [684,] 5.60
## [685,] 5.41
## [686,] 3.70
## [687,] 3.73
## [688,] 5.22
## [689,] 6.13
## [690,] 5.30
## [691,] 4.86
## [692,] 4.33
## [693,] 5.22
## [694,] 5.44
## [695,] 5.44
## [696,] 4.33
## [697,] 5.31
## [698,] 5.28
## [699,] 6.17
## [700,] 6.07
## [701,] 5.46
## [702,] 5.21
## [703,] 4.82
## [704,] 5.45
## [705,] 4.44
## [706,] 4.67
## [707,] 4.67
## [708,] 5.07
## [709,] 4.37
## [710,] 3.68
## [711,] 4.85
## [712,] 4.66
## [713,] 6.09
## [714,] 6.30
## [715,] 4.98
## [716,] 4.63
## [717,] 4.66
## [718,] 4.98
## [719,] 5.23
## [720,] 5.67
## [721,] 5.54
## [722,] 4.48
## [723,] 4.82
## [724,] 3.57
## [725,] 3.57
## [726,] 3.41
## [727,] 5.32
## [728,] 4.26
## [729,] 5.22
## [730,] 5.25
## [731,] 4.74
## [732,] 4.71
## [733,] 3.84
## [734,] 4.99
## [735,] 4.37
## [736,] 4.78
## [737,] 5.58
## [738,] 5.67
## [739,] 6.99
## [740,] 5.28
## [741,] 5.84
## [742,] 4.60
## [743,] 5.14
## [744,] 4.43
## [745,] 5.59
## [746,] 7.17
## [747,] 7.97
## [748,] 8.13
## [749,] 9.32
## [750,] 10.29
## [751,] 12.40
## [752,] 9.62
## [753,] 9.99
## [754,] 7.31
## [755,] 7.46
## [756,] 7.58
## [757,] 6.97
## [758,] 6.88
## [759,] 5.31
## [760,] 3.39
## [761,] 4.16
## [762,] 5.18
## [763,] 5.15
## [764,] 5.36
## [765,] 7.51
## [766,] 6.51
## [767,] 6.64
## [768,] 5.65
## [769,] 3.81
## [770,] 4.13
## [771,] 5.47
## [772,] 4.98
## [773,] 4.60
## [774,] 4.91
## [775,] 4.50
## [776,] 4.45
## [777,] 5.01
## [778,] 5.51
## [779,] 6.77
## [780,] 7.30
## [781,] 7.05
## [782,] 7.64
## [783,] 8.61
## [784,] 7.14
## [785,] 5.00
## [786,] 5.92
## [787,] 6.20
## [788,] 6.15
## [789,] 7.15
## [790,] 7.35
## [791,] 5.92
## [792,] 5.55
## [793,] 4.51
## [794,] 4.54
## [795,] 5.54
## [796,] 4.97
## [797,] 3.46
## [798,] 3.93
## [799,] 3.45
## [800,] 4.56
## [801,] 2.98
## [802,] 4.08
## [803,] 4.25
## [804,] 3.24
## [805,] 3.63
## [806,] 4.87
## [807,] 4.98
## [808,] 4.19
## [809,] 5.06
## [810,] 4.82
## [811,] 5.65
## [812,] 6.66
## [813,] 6.44
## [814,] 5.00
## [815,] 3.54
## [816,] 2.90
## [817,] 2.76
## [818,] 4.37
## [819,] 4.06
## [820,] 4.94
## [821,] 5.60
## [822,] 4.95
## [823,] 6.53
## [824,] 4.84
## [825,] 4.30
## [826,] 5.65
## [827,] 4.51
## [828,] 5.78
write.csv(new5[,-1],"new5.csv")
#checking individual xbar chart
x1=qcc(data=new5[,2],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation1=x1$violations$beyond.limits
x2=qcc(data=new5[,3],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation2=x2$violations$beyond.limits
x3=qcc(data=new5[,4],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation3=x3$violations$beyond.limits
x4=qcc(data=new5[,5],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation4=x4$violations$beyond.limits
x5=qcc(data=new5[,6],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation5=x5$violations$beyond.limits
x6=qcc(data=new5[,7],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation6=x6$violations$beyond.limits
x7=qcc(data=new5[,8],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation7=x7$violations$beyond.limits
x8=qcc(data=new5[,9],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation8=x8$violations$beyond.limits
x9=qcc(data=new5[,10],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation9=x9$violations$beyond.limits
x10=qcc(data=new5[,11],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation10=x10$violations$beyond.limits
x11=qcc(data=new5[,12],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation11=x11$violations$beyond.limits
x12=qcc(data=new5[,13],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation12=x12$violations$beyond.limits
x13=qcc(data=new5[,14],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation13=x13$violations$beyond.limits
x14=qcc(data=new5[,15],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation14=x14$violations$beyond.limits
x15=qcc(data=new5[,16],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation15=x15$violations$beyond.limits
x16=qcc(data=new5[,17],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation16=x16$violations$beyond.limits
x17=qcc(data=new5[,18],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation17=x17$violations$beyond.limits
x18=qcc(data=new5[,19],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation18=x18$violations$beyond.limits
x19=qcc(data=new5[,20],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation19=x19$violations$beyond.limits
x20=qcc(data=new5[,21],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation20=x20$violations$beyond.limits
x21=qcc(data=new5[,22],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation21=x21$violations$beyond.limits
x22=qcc(data=new5[,23],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation22=x22$violations$beyond.limits
x23=qcc(data=new5[,24],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation23=x23$violations$beyond.limits
x24=qcc(data=new5[,25],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation24=x24$violations$beyond.limits
x25=qcc(data=new5[,26],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation25=x25$violations$beyond.limits
#ooc
xbarv=c(68, 739, 753,
542, 206,
397, 287,
43, 242, 642,
170, 196, 311, 328, 451, 768, 779,
160, 167, 170, 174, 175, 179, 183, 188, 191, 193 ,200, 203, 208, 210, 214, 216, 219, 231, 246, 251, 256, 260, 281, 282 ,285,
287, 295, 297, 307, 311, 324, 329, 330, 332, 334, 335, 339, 341, 347, 112, 122, 367, 440 ,502, 707, 724,
497, 746, 294, 333, 567,
202, 315, 328,
134, 434,
660,
102 ,545,
646,
331, 439, 530, 706,
186, 28, 633,
623,
652,
703,
306, 622, 748, 751,
433, 44,
426, 510, 278,
123, 711)
new6=new5[-xbarv,]
x1=qcc(data=new6[,2],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation1=x1$violations$beyond.limits
x2=qcc(data=new6[,3],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation2=x2$violations$beyond.limits
x3=qcc(data=new6[,4],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation3=x3$violations$beyond.limits
x4=qcc(data=new6[,5],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation4=x4$violations$beyond.limits
x5=qcc(data=new6[,6],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation5=x5$violations$beyond.limits
x6=qcc(data=new6[,7],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation6=x6$violations$beyond.limits
x7=qcc(data=new6[,8],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation7=x7$violations$beyond.limits
x8=qcc(data=new6[,9],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation8=x8$violations$beyond.limits
x9=qcc(data=new6[,10],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation9=x9$violations$beyond.limits
x10=qcc(data=new6[,11],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation10=x10$violations$beyond.limits
x11=qcc(data=new6[,12],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation11=x11$violations$beyond.limits
x12=qcc(data=new6[,13],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation12=x12$violations$beyond.limits
x13=qcc(data=new6[,14],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation13=x13$violations$beyond.limits
x14=qcc(data=new6[,15],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation14=x14$violations$beyond.limits
x15=qcc(data=new6[,16],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation15=x15$violations$beyond.limits
x16=qcc(data=new6[,17],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation16=x16$violations$beyond.limits
x17=qcc(data=new6[,18],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation17=x17$violations$beyond.limits
x18=qcc(data=new6[,19],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation18=x18$violations$beyond.limits
x19=qcc(data=new6[,20],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation19=x19$violations$beyond.limits
x20=qcc(data=new6[,21],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation20=x20$violations$beyond.limits
x21=qcc(data=new6[,22],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation21=x21$violations$beyond.limits
x22=qcc(data=new6[,23],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation22=x22$violations$beyond.limits
x23=qcc(data=new6[,24],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation23=x23$violations$beyond.limits
x24=qcc(data=new6[,25],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation24=x24$violations$beyond.limits
x25=qcc(data=new6[,26],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation25=x25$violations$beyond.limits
xbarv2=c( 223,
93, 164, 188, 211, 215, 239, 345, 703,
149, 164, 169, 171, 173, 174, 179, 181, 184, 196, 202, 208, 211, 217, 223, 233, 239, 265, 271, 279, 281, 284, 287, 289, 538,
7)
new7=new6[-xbarv2,]
x1=qcc(data=new7[,2],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation1=x1$violations$beyond.limits
x2=qcc(data=new7[,3],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation2=x2$violations$beyond.limits
x3=qcc(data=new7[,4],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation3=x3$violations$beyond.limits
x4=qcc(data=new7[,5],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation4=x4$violations$beyond.limits
x5=qcc(data=new7[,6],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation5=x5$violations$beyond.limits
x6=qcc(data=new7[,7],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation6=x6$violations$beyond.limits
x7=qcc(data=new7[,8],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation7=x7$violations$beyond.limits
x8=qcc(data=new7[,9],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation8=x8$violations$beyond.limits
x9=qcc(data=new7[,10],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation9=x9$violations$beyond.limits
x10=qcc(data=new7[,11],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation10=x10$violations$beyond.limits
x11=qcc(data=new7[,12],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation11=x11$violations$beyond.limits
x12=qcc(data=new7[,13],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation12=x12$violations$beyond.limits
x13=qcc(data=new7[,14],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation13=x13$violations$beyond.limits
x14=qcc(data=new7[,15],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation14=x14$violations$beyond.limits
x15=qcc(data=new7[,16],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation15=x15$violations$beyond.limits
x16=qcc(data=new7[,17],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation16=x16$violations$beyond.limits
x17=qcc(data=new7[,18],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation17=x17$violations$beyond.limits
x18=qcc(data=new7[,19],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation18=x18$violations$beyond.limits
x19=qcc(data=new7[,20],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation19=x19$violations$beyond.limits
x20=qcc(data=new7[,21],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation20=x20$violations$beyond.limits
x21=qcc(data=new7[,22],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation21=x21$violations$beyond.limits
x22=qcc(data=new7[,23],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation22=x22$violations$beyond.limits
x23=qcc(data=new7[,24],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation23=x23$violations$beyond.limits
x24=qcc(data=new7[,25],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation24=x24$violations$beyond.limits
x25=qcc(data=new7[,26],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation25=x25$violations$beyond.limits
xbarv3=c( 142, 157, 168, 175, 177, 188, 195, 196, 202, 205, 242, 254,
7,
507,
160)
new8=new7[-xbarv3,]
x1=qcc(data=new8[,2],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation1=x1$violations$beyond.limits
x2=qcc(data=new8[,3],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation2=x2$violations$beyond.limits
x3=qcc(data=new8[,4],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation3=x3$violations$beyond.limits
x4=qcc(data=new8[,5],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation4=x4$violations$beyond.limits
x5=qcc(data=new8[,6],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation5=x5$violations$beyond.limits
x6=qcc(data=new8[,7],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation6=x6$violations$beyond.limits
x7=qcc(data=new8[,8],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation7=x7$violations$beyond.limits
x8=qcc(data=new8[,9],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation8=x8$violations$beyond.limits
x9=qcc(data=new8[,10],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation9=x9$violations$beyond.limits
x10=qcc(data=new8[,11],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation10=x10$violations$beyond.limits
x11=qcc(data=new8[,12],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation11=x11$violations$beyond.limits
x12=qcc(data=new8[,13],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation12=x12$violations$beyond.limits
x13=qcc(data=new8[,14],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation13=x13$violations$beyond.limits
x14=qcc(data=new8[,15],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation14=x14$violations$beyond.limits
x15=qcc(data=new8[,16],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation15=x15$violations$beyond.limits
x16=qcc(data=new8[,17],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation16=x16$violations$beyond.limits
x17=qcc(data=new8[,18],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation17=x17$violations$beyond.limits
x18=qcc(data=new8[,19],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation18=x18$violations$beyond.limits
x19=qcc(data=new8[,20],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation19=x19$violations$beyond.limits
x20=qcc(data=new8[,21],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation20=x20$violations$beyond.limits
x21=qcc(data=new8[,22],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation21=x21$violations$beyond.limits
x22=qcc(data=new8[,23],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation22=x22$violations$beyond.limits
x23=qcc(data=new8[,24],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation23=x23$violations$beyond.limits
x24=qcc(data=new8[,25],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation24=x24$violations$beyond.limits
x25=qcc(data=new8[,26],type='xbar.one',sizes = 1,std.dev = "MR")

xbar_violation25=x25$violations$beyond.limits